روشهای گرادیان خطمشی
روشهای گرادیان خطمشی الگوریتمهای یادگیری تقویتی هستند که یک خطمشی پارامتری را مستقیماً از طریق صعود گرادیان بر روی بازده مورد انتظار بهینه میکنند، به جای یادگیری ارزشهای عمل و عمل حریصانه. این روشها که بر اساس الگوریتم REINFORCE رونالد ویلیامز در سال ۱۹۹۲ و قضیه گرادیان خطمشی ساتون و همکاران (۲۰۰۰) بنا شدهاند، به طور طبیعی فضاهای عمل تصادفی و پیوسته را مدیریت میکنند و اساس الگوریتمهای مدرن بازیگر-منتقد (actor-critic) و یادگیری تقویتی عمیق (deep-RL) را تشکیل میدهند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696 ↗
- Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/fa/machine-learning/policy-gradient
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- بهینهسازی محدببهینهسازی↔ compare
- یادگیری تقویتی عمیقیادگیری عمیق↔ compare
- یادگیری کیو (Q-Learning)یادگیری ماشین↔ compare
- کاهش گرادیان تصادفی (SGD)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →