强化学习之PPO（Proximal Policy Optimization Algorithms）算法

强化学习之PPO（Proximal Policy Optimization Algorithms）算法 PPO算法提出了新的目标函数可以在多个训练步骤实现小批量的更新，解决了策略梯度算法中步长难以确定的问题。如果步长太小，训练时间就会过长。如果步长过大，有用信息会被噪音掩盖（因为每个数据影响都很大），或者令性能灾难性的下降，难以收敛。 on-policy与off-policy的区别 on-poli

>>阅读原文<<