待验证50% 置信事实精确时间
策略梯度方法直接参数化策略 π(a|s)，通过梯度上升最大化期望回报，天然支持连续动作空间和随机策略，代表算法有 REINFORCE、PPO。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证对于连续动作空间，PPO通常搭配高斯策略输出，网络同时预测动作均值与标准差75% 相似待验证策略梯度的核心思想源自 REINFORCE 算法（Williams, 1992），通过对轨迹回报的蒙特卡洛估计来计算策略参数的梯度74% 相似待验证占用度量d^π(s,a)刻画策略π在MDP中访问状态-动作对(s,a)的期望次数或归一化分布，在情景式MDP中同时编码了策略的长期行为。74% 相似待验证策略梯度定理表明期望回报对策略参数的梯度可表示为 ∇J(θ) = E[∇log π_θ(a|s) · A(s,a)]，其中A是优势函数72% 相似待验证策略梯度方法本质上是on-policy的，因为梯度估计中的期望是关于当前策略分布的72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1100160API
curl https://kongchang.com/api/v1/knowledge/claims/1100160MCP
get_claim(id=1100160)