অ্যাক্টর-ক্রিটিক পদ্ধতি

টুইন ডিলেড ডিপ ডিটারমিনিস্টিক পলিসি গ্রেডিয়েন্ট

DDPG-এর উন্নত সংস্করণ যা মানের অতিমূল্যায়ন কমানোর জন্য দুটি যমজ সমালোচক ব্যবহার করে এবং আরও ভাল স্থিতিশীলতার জন্য অভিনেতা এবং টার্গেটের বিলম্বিত আপডেট ব্যবহার করে।

← ফিরে যান