引言
之前所讲的各种强化学习算法，如DQN、DRQN、A3C。在这些算法中，目标都是为了找到正确的策略，以便能够获得最大的奖励。由于Q函数能够得到哪个行为是在某一状态下执行的最佳行为，因此，使用Q函数来寻找最优策略。在策略梯度的方法中，我们可以不适用策略来得到最优策略。
策略梯度
策略梯度是强化学习(RL)中一种令人惊叹的算法，可通过一些参数直接优化参数化的策略。在此之前，已学习了利用Q函数来寻找最优策略。现在将学习如何在不使用Q函数的情况下找到最优策略。首先，将策略函数定义为π(a∣s)\pi(a|s)π(a