企业官网建设流程全解析

策略梯度​

REINFORCE算法

目标：最大化期望回报J(θ) = E[∑_{t=0}^∞ γ^t r_t]
梯度：`∇θ J(θ) = E[∑{t=0}^∞ (∑{k=t}^∞ γ^k r_k) ∇θ log π_θ(a_t

s_t)]<br>用蒙特卡洛采样估计梯度，更新θ ← θ + α ∇_θ J(θ)`

基于整条轨迹的回报，方差大
可加基线减少方差：(∑_{k=t}^∞ γ^k r_k - b(s_t))
b(s_t)是基线，如值函数估计

优势执行器-评论家(A2C)

用优势函数A(s,a)=Q(s,a)-V(s)代替TD误差
更新