reward 就是Id 下降而已


具体大概如下 是Id=1/2*(Vg-Vth)^2 Vth是固定参数 Vg是参数 reward=1 if Id decreases


用如上公式简历的gym环境 来优化MLP/PPO2的policy


我理解这样应该很容易把参数Vg优化到等于Vth


请大家给评价下这样符合逻辑吗
【 在 tianiu 的大作中提到: 】
: reward是啥？ ...
--
FROM 73.93.171.*