我们可以把强化学习算法分为三类:Policy-based、Value-based和将两者结合的算法(如Actor-Critic).
Policy-based:输入状态,输出下一动作的概率。如Policy Gradient。
Value-based:输入状态,输出动作的价值。如Q-learning、DQN、Sarsa。
AC架构:输入状态,Actor网络输出动作,Critic根据动作输出对应的价值,将价值传递给Actor网络,来改变动作的概率。如A3C、A2C。
我们也可以把强化学习算法分为两类:On-policy和Off-policy.
On-policy:行动策略和目标策略是同一个,更新价值的策略是既定策略。Sarsa,PG...
Off-policy:行动策略和目标策略不是同一个,更新价值的策略是新策略。Q-learning、TRPO、PPO、DQN...
1、PG算法
贡献:在value-base为主导的世界里,提出了policy-base这一类算法分支。
核心思想:先随机选动作,若这个动作使得最终的回报变大,则增加这个动作的概率;反之减小这个动作的概率。
做法:我们用一个神经网络来代表策略,这个神经网络的输入是状态,输出是动作被选中的概率。用连续函数的优化方法(如梯度上升,优化的目标是使回报最大)来求最优策略。