【学习强化学习】八、连续动作下的DQN设计参考资料思路1思路2思路34. 练习
文章目录参考资料思路1思路2思路34. 练习1. Q-learning相比于policy gradient based方法为什么训练起来效果更好，更平稳？参考资料https://datawhalechina.github.io/easy-rl/#/chapter8/chapter8思路1a=argmaxaQ(s,a)a=\arg \max _{a} Q(s, a) a=argamaxQ(s,a)假设a是离散的，即a的可能性都是有限的。我们可以把每一个可能的动作都带到 Q 里面算它的 Q
