1 A2C方法
A2C方法的状态价值输出端针对连续动作保持不变。唯一受影响的是策略的表示形式。
2 确定性策略梯度
论文:Deterministic Policy Gradient Algorithms
DDPG 在深度 Q 网络基础上加了一个策略网络来直接输出动作值,所以 DDPG 需要一边学习 Q 网络,一边学习策略网络。Q 网络的参数用 w 来表示。策略网络的参数用 θ 来表示。我们称这样的结构为演员-评论员的结构.
3 分布的策略梯度(D4PG)
论文:Distributed Distributional Deterministic Policy Gradient
第一个改进:用概率分布替换critic的单个Q值。将Bellman方程替换为Bellman运算符,该运算符以类似的方式转换分布表示的Q值
第二个改进:使用n阶Bellman方程,加速收敛
第三个改进:使用带优先级的回放缓冲区而不是统一采样的缓冲区