問題番号: No.2486 (しっかりモード)

強化学習において、価値関数を介さずに、エージェントが各状態でどの行動を選択すべきかを表す方策を直接パラメータ化し、報酬の期待値を最大化するように勾配法を用いて最適化するアルゴリズムの総称はどれか。