通俗解释
按“动作对数概率的梯度 × 回报”更新策略参数，可处理连续动作和随机策略；方差大，常减去基线（如价值估计）。它是 PPO、GRPO 的数学基础。
用在哪里：PPO/GRPO 等算法的基础
时间轴 · 前置 → 当前 → 后继
01原始论文
Simple statistical gradient-following algorithms for connectionist reinforcement learning
Williams et al. · Machine Learning · 1992
DOI ↗ ✓ 已核实 · Crossref API doi:10.1007/BF00992696
02知识位置
左边先学；右边是学完它之后可以学的。
先学
策略梯度 REINFORCE
相关：组相对策略优化 GRPO
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
policy-gradient)