Vπ是Qπ关于动作a的期望。状态价值函数是动作价值函数的期望，评价当前状态和策略网络的好坏，给定状态S，策略网络越好V就越大。
用策略网络来近似策略函数。
关于状态S求期望，相当于对策略网络做评价。策略梯度就是价值数V关于 的导数
离散情况：
连续情况：
估算目标价值函数：
用Ut的观测值ut来近似Qπ，REINFORCE算法就是用观测到的ut来代替动作价值函数，需要玩完整局游戏观测到所有奖励才能更新策略网络
相关推荐
LuminousCPP1 小时前
数据结构-双向循环链表小弥儿1 小时前
GitHub今日热榜 | 2026-08-11：图原生基础设施首日登顶302wanger3 小时前
【阅读笔记】当AI拿走一切之后疯狂打码的少年4 小时前
【数据结构】串（字符串）：基本概念与存储for_ever_love__4 小时前
python基础语法学习: 数据容器云空5 小时前
《电子专业完整学习路线图（分两套：本科四年版 / 零基础自学速成版）》min(a,b)5 小时前
学习第16天：LangGraph 与 Agent 工作流编排woshihuanglaoshi5 小时前
鸿蒙技术进阶全景高级成长体系：从初中级到架构师的技能树/学习路径/项目实战/认证体系系统性方法论AI即插即用5 小时前
即插即用系列 | IEEE TMI PLG-HN：原型学习引导的 CNN-Transformer 混合网络，攻克乳腺肿瘤分割难题Hotchip_MEMS6 小时前
TWS耳机微米级较量：超薄LGA封装如何助力MEMS麦克风小型化？