论文部分内容阅读
针对随机探索易于导致梯度估计方差过大的问题，提出一种基于参数探索的期望最大化（Expectationmaximization，EM）策略搜索方法．首先，将策略定义为控制器参数的一个概率分布．然后，根据定义的概率分布直接布控制器参数空间进行多次采样以收集样本．在每一幕样本的收集过程中，由于选择的动作均是确定的，凶此可以减小采样带米的方差，从向减小梯度估计方差．最后，基于收集到的样本，通过最大化期望回报函数的下界米迭代地更新策略参数．为减少采样耗时和降低采样成奉，此处利用重要采样技术以重复使用策略更新过程中收