REINFORCE

REINFORCE とは、方策勾配法を実装した最も基本的なアルゴリズムです。

エピソード（試行）を実行して得られた報酬をもとに、その行動の確率を増減させる方向に方策のパラメータを更新します。シンプルですが分散が大きく、収束が不安定になりがちです。

後の Actor-Critic や PPO といった発展形のもとになった、教科書的なアルゴリズムです。