Policy Gradient

Definition / 释义

Policy gradient（策略梯度）：强化学习中的一类方法，通过对“策略（policy）”参数求梯度，并沿着能提升期望回报（expected return）的方向更新参数，来直接优化智能体的决策策略。常用于随机策略与连续动作空间。
（该术语也常泛指一整套“基于策略梯度的算法家族”。）

Pronunciation / 发音

/plsi redint/

Examples / 例句

Policy gradient methods can learn a stochastic policy directly.
策略梯度方法可以直接学习随机策略。

Using a policy gradient with a baseline can reduce variance and stabilize training in reinforcement learning.
在强化学习中，使用带基线（baseline）的策略梯度可以降低方差并让训练更稳定。

Etymology / 词源

“Policy”在强化学习里指从状态到动作的决策规则（可参数化）；“Gradient”指梯度，即目标函数对参数的导数方向。合起来，“policy gradient”字面意思就是“对策略做梯度优化”，对应常见的梯度上升来最大化期望回报（或最小化损失的等价形式）。

Related Words / 相关词

Actor-Critic

Baseline

Notable Works / 著名作品

Ronald J. Williams (1992), Simple Statistical Gradient-Following Algorithms for Connectionist Reinforcement Learning（提出 REINFORCE 等策略梯度思想）
Richard S. Sutton & Andrew G. Barto, Reinforcement Learning: An Introduction（系统讲解策略梯度与 Actor-Critic）
John Schulman et al. (2015), Trust Region Policy Optimization (TRPO)
John Schulman et al. (2017), Proximal Policy Optimization Algorithms (PPO)