本文主要是介绍深度强化学习（DRL）算法系列文章合集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1. 深度强化学习（DRL）算法 1 —— REINFORCE
2. 深度强化学习（DRL）算法 2 —— PPO 之 Clipped Surrogate Objective 篇
3. 深度强化学习（DRL）算法 2 —— PPO 之 GAE 篇
4. 深度强化学习（DRL）算法 3 —— Deep Q-learning(DQN)
5. 深度强化学习（DRL）算法 4 —— Deep Deterministic Policy Gradient (DDPG)
6. 深度强化学习（DRL）算法 5 —— Twin Delayed Deep Deterministic Policy Gradient (TD3)
7. 深度强化学习（DRL）算法 附录1 —— 贝尔曼公式
8. 深度强化学习（DRL）算法 附录 2 —— 策略迭代和价值迭代
9. 深度强化学习（DRL）算法 附录 3 —— 蒙特卡洛方法（MC）和时序差分（TD）
10.深度强化学习（DRL）算法 附录 4 —— 一些常用概念（KL 散度、最大熵 MDP etc.）
11. 深度强化学习（DRL）算法 附录 5 —— CV 基础回顾篇
12. 深度强化学习（DRL）算法 附录 6 —— NLP 回顾之预训练模型篇
这个系列介绍了常用的单智能体强化学习方法，也有些没有写到，比如 SAC，希望以后有时间可以回来补完。还有多智能体算法这个系列没有涉及，希望以后可以有时间谢谢多智能体算法。最后用一句话暂时结束这个系列：
奋斗，追求，不达目的，誓不罢休！ ——《船长与大尉》
下个系列会开始介绍 RLXF（包括 RLHF、RLAIF）欢迎关注。
这篇关于深度强化学习（DRL）算法系列文章合集的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
