强化学习（九）策略梯度

微信公众号、知乎号（同名）：李歪理，欢迎大家关注

前一篇主要讲解的是价值函数的近似，然后根据价值函数来制定策略。本篇中策略P(a|s)将从一个概率集合变成策略函数本身π(s,a)，通过借助策略相关的目标函数梯度的引导，寻找与目标函数的极值，进而得到最优策略。

1. 简介 Introduction

上一篇主要内容是如何对价值函数进行近似的参数化表达，包括状态价值函数和动作价值函数：

Vθ(s)∼Vπ(s)V_{\theta}(s)\sim V^{\pi}(s)V