2020年研究生华为杯，数学建模竞赛C题.rar下载

那我们讲一下它的 algorithm。假设我们 learn 了一个 Q-function，Q-function 就是 input s 跟 a，output 就是 Q^{\pi}(s,a)Q π (s,a)。那接下来，我们要 learn 一个 actor，这个 actor 的工作就是解这个 arg max 的 problem。这个 actor 的工作就是 input 一个 state s，希望可以 output 一个 action a。这个 action a 被丢到 Q-function 以后，它可以让 Q^{\pi}(s,a)Q π (s,a) 的值越大越好。那实际上在 train 的