A10 · 第 4 章 · 课程规划页
策略梯度、actor–critic 与优势估计
本章研究策略梯度、actor–critic 与优势估计。内容依次处理对数导数技巧与 REINFORCE、actor–critic 的价值基线与时序更新、优势估计、重要性比率与策略裁剪。
- 所在 Part
- 第二编 控制与策略
- 预计学习
- 40 分钟
- 建设状态
- 已规划，尚无正式正文
计划实验
本章未登记独立交互实验；定义、公式和例题仍按下列提纲规划。
LEARNING OBJECTIVES
完成本章后应能
- 01准确说明对数导数技巧与 REINFORCE。
- 02完成actor–critic 的价值基线与时序更新所需的推导、证明或算法。
- 03使用计算、例题或反例检验优势估计、重要性比率与策略裁剪。
PLANNED SECTIONS
计划章节结构
- 01
对数导数技巧与 REINFORCE
界定对数导数技巧与 REINFORCE，明确使用的条件、主要结论与可复核步骤。
- 02
actor–critic 的价值基线与时序更新
推导actor–critic 的价值基线与时序更新，明确使用的条件、主要结论与可复核步骤。
- 03
优势估计、重要性比率与策略裁剪
检验优势估计、重要性比率与策略裁剪，明确使用的条件、主要结论与可复核步骤。
计划定义
对数导数技巧与 REINFORCE：对象、记号与前提
围绕对数导数技巧与 REINFORCE列出主要对象、符号、前提与定义边界。
计划公式
actor–critic 的价值基线与时序更新：关系、判据与可复核步骤
把actor–critic 的价值基线与时序更新整理为可检查的关系、判据或算法步骤；涉及定量模型时写出公式，并说明符号、适用条件，以及需要时的单位或复杂度。
计划例题
优势估计、重要性比率与策略裁剪：案例、反例与核验
围绕优势估计、重要性比率与策略裁剪给出明确输入、前提或数据，逐步分析并用反例、误差、守恒量或边界条件复核。
计划练习
策略梯度、actor–critic 与优势估计：定义、关系与边界综合练习
联结对数导数技巧与 REINFORCE、actor–critic 的价值基线与时序更新与优势估计、重要性比率与策略裁剪，分别检验定义辨析、主要步骤和适用边界。
关键词
策略梯度、actor–critic、优势估计、第二编 控制与策略、强化学习