VPG

这篇博客总结自 Wouter van Heeswijk 在 Medium 的文章：Proximal Policy Optimization (PPO) Explained 策略梯度算法（VPG） 从确定性策略开始 强化学习的目标是学习一个好的决策策略 $\pi$，随着时间的推移最大化奖励。确定性策略 ......