跳到主要内容

控制问题上走「短片段两两比较,拟合奖励,再做强化学习」:人写不出奖励公式,看两段短轨迹却能指出哪段更接近目标。该闭环解决了什么?比较采集一停,策略为什么开始走样?

Agent 学习与策略优化中级学习与策略优

题目​

控制问题上走「短片段两两比较,拟合奖励,再做强化学习」:人写不出奖励公式,看两段短轨迹却能指出哪段更接近目标。该闭环解决了什么?比较采集一停,策略为什么开始走样?

参考答案​