Actor Critic算法是一种解决给定状态最大化奖励行动选择的问题的方法。它包含两个神经网络：Actor负责根据状态输出行动，Critic则评估（Q值）行动带来的奖励。网络更新过程中，Critic通过比较当前Q值与目标Q值的误差进行更新，而Actor通过最小化负Q值进行优化，以使Q值最大化。
问题：
给定一个state，如何找到一个action，使得这个action带来的reward最大？
Actor Critic算法：
网络定义
Actor和critic分别是两个结构不同神经网络。
（其实，它们还各有一个与自身结构相同，但是参数权值不同的孪生网络。一个记为eval_net，一个记为target_net。所以一共是四个网络）
A c t o r Actor Actor：输入(state)，输出(action)
C r i t i c Critic Critic：输入(state, action)，输出(reward)，即这里的Q值
前向传播过程
将 s t a t e state state传给Actor，然后获取Actor输出的 a c t i o n action action值即可。
网络更新过程：
更新Critic：
C r i t i c Critic Critic的更新，就是计算出 r e w a r d reward reward关于 C r i t i
最低0.47元/天 解锁文章
158
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
