一、Stochastic Actor-Critic
前言
-
some glaring issues with vanilla policy gradients(REINFORCE): noisy gradients and high variance.These issues contribute to the instability and slow convergence.
-
蒙特卡洛这种传统强化学习方法等到情景episode结束才更新参数, 时序差分(TD)学习每个时间步都进行参数更新.
-
Improving policy gradients: Reducing variance with a baseline
1.Actor-Critic( Q-AC, use Q value )
1)deriving Actor-Critic
2)Actor-Critic algorithms
2.Advantage Actor-Critic( A2C, use V value )
1)deriving Advantage Actor-Critic
3.TD Actor-Critic( A2C, use V value, 用TD)
参考:https://zhuanlan.zhihu.com/p/78684058
https://www.cnblogs.com/pinard/p/10272023.html
TD误差是优势函数的无偏估计, 在实际的使用过程中,使用的是近似的TD误差
1)deriving TD Actor-Critic
2)TD A2C algorithms
4.Asynchronous Advantage Actor-Critic( A3C, use V value and Asynchronous )
对于一些采用experience replay的算法, 它们能很好的解决一些复杂的强化学习问题, 但是 experience replay 有很多缺点, 比如它需要更多内存和计算资源, 它们依赖高配置的GPU硬件和大量地分布结构, 并且它们是 off-policy learning。
在多个环境中异步的执行多个agent, 这种方法不依赖高配置的GPU硬件, 只需要多核的CPU, 它不仅能降低数据间的关联性, 而且能进行 on-policy learning 以便结合其他一些算法, 当这种方法运用在A2C算法上时, 能显著提高训练和学习的效率, 称为A3C算法.
二、Deterministic Actor-Critic(基于DPG)
参考:https://zhuanlan.zhihu.com/p/36015993