庞琳卓的博客

莫烦大神的A3C连续控制代码详解"""Asynchronous Advantage Actor Critic (A3C) with continuous action space, Reinforcement Learning.The Pendulum example.View more on my tutorial page: https://morvanzhou.github.io/

强化学习中Sarsa算法（on policy）与Q learning（off policy）的详细对比。

策略迭代与值迭代都属于强化学习里面策略求解中的动态规划方法。其区别是什么呢？ 首先看一张图片： 首先看策略迭代： １.initialization 初始化所有状态的v(s)以及π(s)（初始化为随机策略） 2.poicy evaluation 用当前的v(s)对当前策略进行评估，计算出每一个状态的v(s)，直到v(s)收敛，才算训练好了这个状态价值函数V(s) 3.

强化学习中的策略梯度方法详解。

策略梯度方法 策略梯度方法中，目标函数是使得整个episode得到的reward的均值最大： maximizeθEπθ[∑t=0T−1γtrt]{\rm maximize}_{\theta}\; \mathbb{E}_{\pi_{\theta}}\left[\sum_{t=0}^{T-1}\gamma^t r_t\right] 由于： ∇θE[f(x)]=∇θ∫pθ(x)f(x)dx=∫pθ