Metode Gradien Kebijakan

Metode gradien kebijakan adalah algoritma pembelajaran penguatan (reinforcement learning) yang mengoptimalkan kebijakan berparameter secara langsung melalui pendakian gradien (gradient ascent) pada ekspektasi imbalan (expected return), alih-alih mempelajari nilai-nilai tindakan (action-values) dan bertindak secara serakah (greedily). Berakar dari algoritma REINFORCE Ronald Williams tahun 1992 dan teorema gradien kebijakan (policy gradient theorem) oleh Sutton dan rekan-rekannya (2000), metode ini secara alami menangani ruang tindakan stokastik dan kontinu serta menjadi dasar bagi algoritma aktor-kritik (actor-critic) dan pembelajaran penguatan mendalam (deep-RL) modern.