【强化学习】从策略梯度到PPO再到GRPO

【2026-03-22】从策略梯度（Policy Gradient，PG）到近端策略优化（Proximal Policy Optimization, PPO），再到群组相对策略优化（Group Relative Policy Optimization, GRPO）的逐步介绍。

【强化学习】10-Actor-Critic

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】9-策略梯度方法

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】8-值函数近似

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】7-时序差分方法

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】6-随机近似与随机梯度下降

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】5-基于蒙特卡洛的强化学习方法

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】4-值迭代与策略迭代

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】3-贝尔曼最优公式

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。

【强化学习】2-贝尔曼公式

【2026-03-22】此系列是西湖大学赵世钰老师《强化学习的数学原理》笔记。