个人愚见：相比于value-based算法，PG省去了中间商V或Q的计算过程（不是很绝对的省去），而是直接从agent本身出发对策略进行优化，将agent的策略直接融入到了神经网络本身，而不是专门去利用神经网络的分类或者回归能力去解决问题，像deep Q-learning那样。这样做我觉得有以下几个好处：
1、一个网络输入是state，输出直接是action，因此在连续动作中直接利用tanh和scale就可以获取连续值，而不用先分点计算离散Q值再选择。
2、网络的交叉熵损失函数就是agent的平均损失梯度得来的，因此收敛性一致。
3、策略随机性高，不需要使用贪婪策略（虽然一些改进将随机性策略这一点改回去了）。
至于缺点，感觉最大的就是有时候没必要用PG，在一些小规模问题中PG效率很低。
