我了解“策略梯度”中的操作空间应该是离散的，例如“上”，“左”，“什么都不做”。
我的环境是代理商，需要选择一个方向（360度），然后选择步数（10步）。
在这种环境下，特工可以选择动作空间中的3600种不同的动作，这将需要大量的时间来训练特工并浪费一些资源。
您能建议我如何处理这种情况吗？
可以将动作空间转换为连续随机变量吗？
答案 0 :(得分：0)
我认为通过策略梯度，您不必使用离散操作，但可以使用连续变量。 仅DQN（深度Q网络/深度Q学习）需要离散操作。 （因为您必须从其中一种动作中进行选择。
在您的情况下，连续变量可以是： 网络输出1（值从0到1）乘以360 =角度 网络输出2（值从0到1）乘以10，转换为整数=步数