Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
stanford-cs234-notes-zh
提交
4c211bd7
S
stanford-cs234-notes-zh
项目概览
OpenDocCN
/
stanford-cs234-notes-zh
通知
8
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
stanford-cs234-notes-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
GitCode(gitcode.net)2024年7月9日维护升级公告
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
4c211bd7
编写于
11月 08, 2019
作者:
X
xiaowei_xing
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
test
上级
5135c0df
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
12 addition
and
2 deletion
+12
-2
docs/10.md
docs/10.md
+12
-2
未找到文件。
docs/10.md
浏览文件 @
4c211bd7
...
...
@@ -12,8 +12,18 @@ $$
这里 $P(s_1)$ 为起始状态为 $s_1$ 的概率,$
\p
i_
\t
heta(a_t|s_t)$ 为根据当前的策略在状态 $s_t$ 选择动作 $a_t$ 的概率,$P(s_{t+1}|s_t,a_t)$ 为在状态 $s_t$ 选择动作 $a_t$ 时,状态转移到 $s_{t+1}$ 的概率。注意,$
\p
i_
\t
heta(
\t
au)$ 为轨迹的概率而 $
\p
i_
\t
heta(a|s)$ 为给定状态时选择某个动作的概率。
和到目前为止我们讨论过的大多数其他 RL 目标类似,策略梯度的目标是最大化衰减奖励总
额
。
和到目前为止我们讨论过的大多数其他 RL 目标类似,策略梯度的目标是最大化衰减奖励总
和
。
$$
\t
heta^
*
=
\m
athop{
\a
rg
\m
ax}_
\t
heta
\m
athbb{E} _{
\t
au
\s
im
\p
i _{
\t
heta}(
\t
au)}[
\s
um_t
\g
amma^t r (s_t,a_t)]
\t
heta^
*
=
\m
athop{
\a
rg
\m
ax}_{
\t
heta}
\m
athbb{E} _{
\t
au
\s
im
\p
i _{
\t
heta}(
\t
au)}[
\s
um_t
\g
amma^t r (s_t,a_t)]。
$$
我们将目标函数记为 $J(
\t
heta)$,可以用蒙特卡洛方法估计 $J(
\t
heta)$。我们用 $r(
\t
au)$ 来代表轨迹 $
\t
au$ 的衰减奖励总和。
$$
J(
\t
heta) =
\m
athbb{E}_{
\t
au
\s
im
\p
i _{
\t
heta}(
\t
au)}[
\s
um_t
\g
amma^t r (s_t,a_t)] =
\i
nt
\p
i_
\t
heta(
\t
au)r(
\t
au)
\,
{
\r
m d}
\t
au
\a
pprox
\f
rac{1}{N}
\s
um_{i=1}^N
\s
um_{t=1}^T
\g
amma^t r(s_{i,t},a_{i,t})
$$
$$
\t
heta^
*
=
\m
athop{
\a
rg
\m
ax}_
\t
heta J(
\t
heta)
$$
\ No newline at end of file
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录