策略梯度（Policy Gradient）是一类强化学习算法，用于训练智能体在环境中做出决策以最大化累积奖励。与值函数方法不同，策略梯度直接学习一个策略（policy），该策略将状态映射到动作的概率分布。通过调整策略的参数，智能体可以优化其性能，...