Q-learning与策略梯度
教材《人工智能导论》3.4.2 · 已审核
通俗解释
Q-learning通过状态动作价值评估行动，属于价值学习路线；策略梯度直接优化参数化策略。两类方法处理动作选择与数据使用的方式不同。
例子
小车的转向角可以连续变化，策略直接输出角度比枚举所有角度更自然。
容易混淆
价值学习和策略优化不能因都属于强化学习就当作同一算法。
检查理解
连续动作控制为何常需要考虑策略参数化？
查看参考答案
连续动作有无限多种取值，逐一比较每个动作的价值不现实；参数化策略可直接给出动作或动作分布。