第4章 策略梯度-习题
文档摘要
第四章 策略梯度 关键词 策略（policy）：在每一个演员中会有对应的策略，这个策略决定了演员的后续动作。具体来说，策略就是对于外界的输入，输出演员现在应该要执行的动作。一般地，我们将策略写成 $\pi$ 。 回报（return）：一个回合（episode）或者试验（trial）得到的所有奖励的总和，也被人们称为总奖励（total reward）。一般地，我们用 $R$ 来表示它。 轨迹（trajectory）：一个试验中我们将环境输出的状态 $s$ 与演员输出的动作 $a$ 全部组合起来形成的集合称为轨迹，即 $\tau=\left\{s{1}, a{1}, s{2}, a{2}, \cdots, s{t}, a{t}\right\}$ 。
评论区
(0)
U