第8章 带基线的策略梯度方法
证明基线不改变期望策略梯度，并比较REINFORCE基线与A2C的方差和自举；用环境合同、更新轨迹和独立评估门交付基线前后梯度均值/方差、优势和价值残差
学习目标
- 能说明“第8章 带基线的策略梯度方法”如何证明基线不改变期望策略梯度，并比较REINFORCE基线与A2C的方差和自举，并区分原版目录、作者代码映射、独立技术来源和本站重写
- 能先预测“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”会改变哪一个环境、轨迹、回报、目标、策略或评估状态，再操作三类交互证据
- 能只注入“让基线直接依赖当前动作却仍按无偏基线解释”，定位首个偏离“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”的状态，并从同一快照完成恢复
为什么从这个问题开始
“第8章 带基线的策略梯度方法”围绕“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”建立贯穿任务：在同一轨迹上比较无基线、状态基线和A2C。先写下哪个环境、轨迹、回报、目标、策略或评估状态会最先变化，再运行参考、故障和恢复路径；运行后补理由不算预测。只有守住“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”并交付基线前后梯度均值/方差、优势和价值残差，训练回报、策略价值、搜索统计或应用收益才构成机制证据。
原版书目、272个正式坐标与访问边界
“第8章 带基线的策略梯度方法”以作者官方代码仓库核对王树森、黎彧君、张志华著《深度强化学习》的第1至19章及主要算法—实现映射，以馆藏书目核对人民邮电出版社、2022年11月、294页和ISBN 9787115600691，再以发行数字版完整目录核对5个部分、19章、233个编号节/小节、附录A、附录B与B.1至B.13，合计272个正式目录层级。
作者仓库验证章节和算法实现确实对应，但仓库页面未提供可据以复用代码、图表或书稿的明确许可；发行数字版用于核对目录范围，不作为复制正文的授权。“第8章 带基线的策略梯度方法”不翻译、摘编或改写原书正文，也不复制仓库代码；中文讲解、状态轨迹、反例、交互、练习与答案均为独立教学重写。
本页独立核对 1、本页独立核对 2只用于独立核对本页算法、环境接口或实验边界，不能反向证明原书使用本站表述。Gymnasium、PyTorch、PettingZoo等当前API行为按2026-07-30核对并显式视为当前实现，不倒填为2022年原书内容。
原版目录层级与可验证机制
第8章 带基线的策略梯度方法
↡带基线的策略梯度方法对应正式目录坐标“第8章 带基线的策略梯度方法”，在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 1/13。 原版目录键 第8章 带基线的策略梯度方法。在“第8章 带基线的策略梯度方法”的第1个正式坐标中，「第8章 带基线的策略梯度方法」通过建立环境、轨迹、终止、策略、回报和价值的时间合同推进基线、优势与方差控制；复核者保存转移记录、策略概率、终止/截断标记、回报与价值残差，出现混淆状态与观测、终止与截断或行为策略与目标策略就撤回结论。
8·1 策略梯度中的基线
↡策略梯度中的基线对应正式目录坐标“8.1 策略梯度中的基线”，在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 2/13。 原版目录键 8.1 策略梯度中的基线。围绕“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”，“第8章 带基线的策略梯度方法”在坐标2把「8·1 策略梯度中的基线」落实为建立环境、轨迹、终止、策略、回报和价值的时间合同；只有转移记录、策略概率、终止/截断标记、回报与价值残差可重放且反例排除混淆状态与观测、终止与截断或行为策略与目标策略，本节点才算掌握。
8·1·1 基线的引入
↡基线的引入对应正式目录坐标“8.1.1 基线的引入”，在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 3/13。 原版目录键 8.1.1 基线的引入。“第8章 带基线的策略梯度方法”的目录节点3「8·1·1 基线的引入」不能停在术语复述：它要从轨迹概率、回报、优势、概率比与KL约束推导策略更新，交付动作对数概率、回报、基线、优势、梯度、KL与接受规则，并把用新策略重算旧轨迹、动作依赖基线或越过置信域设为单一反事实。
8·1·2 基线的直观解释
↡基线的直观解释对应正式目录坐标“8.1.2 基线的直观解释”，在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 4/13。 原版目录键 8.1.2 基线的直观解释。对“第8章 带基线的策略梯度方法”而言，「8·1·2 基线的直观解释」在第4次检查中改变可观察状态，因为它负责从轨迹概率、回报、优势、概率比与KL约束推导策略更新；动作对数概率、回报、基线、优势、梯度、KL与接受规则必须与“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”对齐，不能接受用新策略重算旧轨迹、动作依赖基线或越过置信域。
8·2 带基线的REINFORCE算法
↡带基线的REINFORCE算法对应正式目录坐标“8.2 带基线的REINFORCE算法”，在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 5/13。 原版目录键 8.2 带基线的REINFORCE算法。在“第8章 带基线的策略梯度方法”的第5个正式坐标中，「8·2 带基线的REINFORCE算法」通过从轨迹概率、回报、优势、概率比与KL约束推导策略更新推进基线、优势与方差控制；复核者保存动作对数概率、回报、基线、优势、梯度、KL与接受规则，出现用新策略重算旧轨迹、动作依赖基线或越过置信域就撤回结论。
8·2·1 策略网络和价值网络
↡策略网络和价值网络对应正式目录坐标“8.2.1 策略网络和价值网络”，在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 6/13。 原版目录键 8.2.1 策略网络和价值网络。围绕“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”，“第8章 带基线的策略梯度方法”在坐标6把「8·2·1 策略网络和价值网络」落实为建立环境、轨迹、终止、策略、回报和价值的时间合同；只有转移记录、策略概率、终止/截断标记、回报与价值残差可重放且反例排除混淆状态与观测、终止与截断或行为策略与目标策略，本节点才算掌握。
8·2·2 算法推导
↡算法推导对应正式目录坐标“8.2.2 算法推导”，在“第8章 带基线的策略梯度方法”中用于把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 7/13。 原版目录键 8.2.2 算法推导。“第8章 带基线的策略梯度方法”的目录节点7「8·2·2 算法推导」不能停在术语复述：它要把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链，交付第8章 带基线的策略梯度方法的输入角色、中间状态、策略快照、反例与独立评估，并把只复述“算法推导”名称而没有可观察状态、单一故障和恢复证据设为单一反事实。
8·2·3 训练流程
↡训练流程对应正式目录坐标“8.2.3 训练流程”，在“第8章 带基线的策略梯度方法”中用于把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 8/13。 原版目录键 8.2.3 训练流程。对“第8章 带基线的策略梯度方法”而言，「8·2·3 训练流程」在第8次检查中改变可观察状态，因为它负责把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链；第8章 带基线的策略梯度方法的输入角色、中间状态、策略快照、反例与独立评估必须与“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”对齐，不能接受只复述“训练流程”名称而没有可观察状态、单一故障和恢复证据。
8·3 advantage actor-critic
↡advantage actor-critic对应正式目录坐标“8.3 advantage actor-critic”，在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 9/13。 原版目录键 8.3 advantage actor-critic。在“第8章 带基线的策略梯度方法”的第9个正式坐标中，「8·3 advantage actor-critic」通过从轨迹概率、回报、优势、概率比与KL约束推导策略更新推进基线、优势与方差控制；复核者保存动作对数概率、回报、基线、优势、梯度、KL与接受规则，出现用新策略重算旧轨迹、动作依赖基线或越过置信域就撤回结论。
8·3·1 算法推导
↡算法推导对应正式目录坐标“8.3.1 算法推导”，在“第8章 带基线的策略梯度方法”中用于把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 10/13。 原版目录键 8.3.1 算法推导。围绕“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”，“第8章 带基线的策略梯度方法”在坐标10把「8·3·1 算法推导」落实为把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链；只有第8章 带基线的策略梯度方法的输入角色、中间状态、策略快照、反例与独立评估可重放且反例排除只复述“算法推导”名称而没有可观察状态、单一故障和恢复证据，本节点才算掌握。
8·3·2 训练流程
↡训练流程对应正式目录坐标“8.3.2 训练流程”，在“第8章 带基线的策略梯度方法”中用于把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 11/13。 原版目录键 8.3.2 训练流程。“第8章 带基线的策略梯度方法”的目录节点11「8·3·2 训练流程」不能停在术语复述：它要把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链，交付第8章 带基线的策略梯度方法的输入角色、中间状态、策略快照、反例与独立评估，并把只复述“训练流程”名称而没有可观察状态、单一故障和恢复证据设为单一反事实。
8·3·3 用目标网络改进训练
↡用目标网络改进训练对应正式目录坐标“8.3.3 用目标网络改进训练”，在“第8章 带基线的策略梯度方法”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 12/13。 原版目录键 8.3.3 用目标网络改进训练。对“第8章 带基线的策略梯度方法”而言，「8·3·3 用目标网络改进训练」在第12次检查中改变可观察状态，因为它负责构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色；回放索引、下一动作、TD目标、误差、优先级和参数快照必须与“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”对齐，不能接受目标网络泄漏、策略角色错位或多技巧同时变化。
8·4 证明带基线的策略梯度定理
↡证明带基线的策略梯度定理对应正式目录坐标“8.4 证明带基线的策略梯度定理”，在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，并受环境、轨迹、策略快照、随机性、评估与版本边界约束。正式坐标 13/13。 原版目录键 8.4 证明带基线的策略梯度定理。在“第8章 带基线的策略梯度方法”的第13个正式坐标中，「8·4 证明带基线的策略梯度定理」通过建立环境、轨迹、终止、策略、回报和价值的时间合同推进基线、优势与方差控制；复核者保存转移记录、策略概率、终止/截断标记、回报与价值残差，出现混淆状态与观测、终止与截断或行为策略与目标策略就撤回结论。
先预测，再操作三个章专属实验
1. 环境与轨迹合同
为“第8章 带基线的策略梯度方法”选择正式目录坐标，在参考合同与单一反事实间切换，逐角色核对输入、状态变化、证据与即时裁决。
环境—轨迹合同
第8章 带基线的策略梯度方法
选择正式目录坐标，冻结环境角色，再定位参考轨迹与单一反事实的首个分岔。
合同 1/4
第8章 带基线的策略梯度方法 · 环境与角色
- 输入角色
- 在同一轨迹上比较无基线、状态基线和A2C
- 状态变化
- 冻结基线、优势与方差控制所需的环境版本、观测/状态、动作、奖励和数据角色
- 应留证据
- 第8章 带基线的策略梯度方法的环境合同、策略快照与基线轨迹
- 即时裁决
- 第8章 带基线的策略梯度方法的角色、时间索引、shape、终止和可见性没有错位
第8章 带基线的策略梯度方法的可重放协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 第8章 带基线的策略梯度方法 · 环境与角色 | 冻结基线、优势与方差控制所需的环境版本、观测/状态、动作、奖励和数据角色 | 第8章 带基线的策略梯度方法的环境合同、策略快照与基线轨迹 | 未满足“第8章 带基线的策略梯度方法的角色、时间索引、shape、终止和可见性没有错位” |
| 第8章 带基线的策略梯度方法 · 回报与目标 | 按证明基线不改变期望策略梯度，并比较REINFORCE基线与A2C的方差和自举构造回报、目标、估计量或搜索统计 | 第8章 带基线的策略梯度方法的逐步回报、目标分量与中间状态 | 未满足“第8章 带基线的策略梯度方法的目标可由同一轨迹、公式和随机状态复算” |
| 第8章 带基线的策略梯度方法 · 更新与策略 | 执行一次受控更新并记录策略、价值、梯度或联合决策的变化 | 第8章 带基线的策略梯度方法的更新前后差、首个分岔和恢复路径 | 未满足“第8章 带基线的策略梯度方法没有把代理损失、单次回报或训练内统计当作最终结论” |
| 第8章 带基线的策略梯度方法 · 独立评估 | 重放基线、单故障、恢复和边界案例 | 第8章 带基线的策略梯度方法的接受、回退或拒绝理由 | 未满足“第8章 带基线的策略梯度方法满足“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”” |
unit: "drl-08"
question: "基线减去什么、是否依赖动作、优势目标在哪里停止梯度？"
scenario: "在同一轨迹上比较无基线、状态基线和A2C"
invariant: "行为策略、回报、状态基线、停止梯度与价值目标角色明确分离"
fault: "让基线直接依赖当前动作却仍按无偏基线解释"
evidence: "基线前后梯度均值/方差、优势和价值残差"
reset: restore_concept_mode_stage_trace_step_case_gates_and_artifact“第8章 带基线的策略梯度方法”要求从同一环境、轨迹、策略/对手版本、预算和随机状态重放参考、故障与恢复路径。重置后若目录选择、合同模式、阶段、轨迹步骤、案例、证据门或交付包没有回到基线，本次比较已经混入状态泄漏。
本页回顾
掌握“第8章 带基线的策略梯度方法”不是背算法名或抄训练循环，而是围绕“基线减去什么、是否依赖动作、优势目标在哪里停止梯度？”重建环境、轨迹、回报、目标、更新、策略/对手快照与独立评估，并用“行为策略、回报、状态基线、停止梯度与价值目标角色明确分离”拒绝“让基线直接依赖当前动作却仍按无偏基线解释”。最终交付为基线前后梯度均值/方差、优势和价值残差。
练习与答案
练习
- 问题 1：实验合同。 “第8章 带基线的策略梯度方法”为什么必须先冻结环境、轨迹、策略/对手版本、预算、随机性和评估口径？
- 问题 2：目录逐项覆盖。 怎样证明“第8章 带基线的策略梯度方法”的正式目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“让基线直接依赖当前动作却仍按无偏基线解释”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 带基线的策略梯度方法
检索键 drl-A 对应正式目录坐标「第8章 带基线的策略梯度方法」；在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 策略梯度中的基线
检索键 drl-B 对应正式目录坐标「8·1 策略梯度中的基线」；在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 基线的引入
检索键 drl-C 对应正式目录坐标「8·1·1 基线的引入」；在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 基线的直观解释
检索键 drl-D 对应正式目录坐标「8·1·2 基线的直观解释」；在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 带基线的REINFORCE算法
检索键 drl-E 对应正式目录坐标「8·2 带基线的REINFORCE算法」；在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 策略网络和价值网络
检索键 drl-F 对应正式目录坐标「8·2·1 策略网络和价值网络」；在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 算法推导
检索键 drl-G 对应正式目录坐标「8·2·2 算法推导」；在“第8章 带基线的策略梯度方法”中用于把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 训练流程
检索键 drl-H 对应正式目录坐标「8·2·3 训练流程」；在“第8章 带基线的策略梯度方法”中用于把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- advantage actor-critic
检索键 drl-I 对应正式目录坐标「8·3 advantage actor-critic」；在“第8章 带基线的策略梯度方法”中用于从轨迹概率、回报、优势、概率比与KL约束推导策略更新，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 算法推导
检索键 drl-J 对应正式目录坐标「8·3·1 算法推导」；在“第8章 带基线的策略梯度方法”中用于把“算法推导”放进基线、优势与方差控制的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 训练流程
检索键 drl-K 对应正式目录坐标「8·3·2 训练流程」；在“第8章 带基线的策略梯度方法”中用于把“训练流程”放进基线、优势与方差控制的环境—轨迹—目标—更新链，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 用目标网络改进训练
检索键 drl-L 对应正式目录坐标「8·3·3 用目标网络改进训练」；在“第8章 带基线的策略梯度方法”中用于构造可复算的TD目标并区分同策略、异策略、采样和目标网络角色，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。
- 证明带基线的策略梯度定理
检索键 drl-M 对应正式目录坐标「8·4 证明带基线的策略梯度定理」；在“第8章 带基线的策略梯度方法”中用于建立环境、轨迹、终止、策略、回报和价值的时间合同，需要连接结构范围、轨迹状态、更新证据、独立评估与不适用边界。