策略梯度算法是一種基於策略的強化學習算法，它通過學習策略函式來最佳化智慧型體在環境中的表現。策略函式定義了在給定狀態下智慧型體選擇動作的機率分布。策略梯度算法的核心思想是直接最佳化策略函式本身，而不是通過值函式來間接調整策略。
在策略梯度算法中，策略函式通常用神經網路來表示，其輸入是狀態，輸出是動作的機率分布。算法的目標是最大化某個目標函式，這個目標函式可以是累積獎勵值、平均價值或者每一時間步的平均獎勵。為了最佳化這個目標函式，策略梯度算法使用梯度上升法來更新神經網路參數，以使得策略函式在新的狀態下能產生更高回報的動作機率分布。
策略梯度算法的一個主要優點是它具有更好的收斂性，並且能夠有效解決高維或連續動作空間的問題。此外，策略梯度算法能夠學習隨機策略，這是基於值函式的方法難以做到的。然而，策略梯度算法也有容易陷入局部最優的缺陷，並且總體更新效率略低於基於函式值的方法。
策略梯度算法中最著名的實現之一是REINFORCE算法，它通過計算策略梯度的期望值來更新策略函式。在實際套用中，由於無法直接計算期望值，通常採用採樣方法來估計策略梯度的值。例如，對於離散動作空間，可以通過採樣多次來計算策略梯度的期望值。