强化学习基于策略7.4 | Trajectory轨迹

Trajectory是一段状态动作序列，没有对长度的限制，R是一段Trajectory的奖励之合

我们的的目标是找到参数最大化期望回报，用的是每个概率下的Trajectory乘以它的总的reward

为了最大化expected return，我们使用梯度上升的方法，来找到到参数sita。