Tags:#强化学习

值函数方法不擅于行动，策略梯度方法方差过高，由此产生将两者结合的 Actor-Critic：Actor 负责选择动作，Critic 负责评估好坏.

TD 算法存在一步更新的局限，是否有 TD 算法在线、低方差优点的同时，也拥有类似蒙特卡洛方法那样高效分配奖励的能力的算法——资格迹

从贝尔曼方程到策略迭代、值迭代与截断策略迭代，自然生长出DP在强化学习中的完整方法体系

强化学习概述 - 基本概念、原理与分类