强化学习实例11：策略梯度法（Policy Gradient）
本实例基于策略梯度的算法来学习“打乒乓球”游戏首先本实例的定义马尔可夫决策过程：状态s：每一时刻的游戏画面 行动a：右边绿色拍，向上或向下 策略：状态为s下，采取行动a的概率强化学习的目标是最大化长期回报期望：其中为策略参数定义目标函数J策略梯度为用Q代替r使用蒙特卡罗法求解使用蒙特卡罗法，方差大。为了模型的稳定，提出Actor-Criti...
