03 强化学习——Actor-Critic(AC)基础篇（TD-AC）

最新推荐文章于 2024-08-08 08:18:18 发布

风雨潇潇一书生

最新推荐文章于 2024-08-08 08:18:18 发布

阅读量4.4k

点赞数 3

分类专栏：强化学习文章标签：强化学习 AC

本文链接：https://blog.csdn.net/weixin_40493501/article/details/110671785

版权

本文详细介绍了强化学习中的Actor-Critic（AC）算法，包括广义梯度公式、AC算法框架、网络误差计算及原理图。AC算法结合了策略网络（actor）和评价网络（critic），通过TD误差来评估策略效果。文章讨论了AC算法的蒙特卡洛和TD方法，并分析了网络训练中的问题，如回报函数的收敛性和训练效率。

摘要由CSDN通过智能技术生成

一、算法描述

1.1 广义梯度公式

根据上一章PG算法可以得知对于策略梯度下降的方法我们关注的是：

因此从广义的策略理论上，策略梯度可以写成：

$\mathbf{\Psi_{t}}$ 可以表示为一下几种

1、，轨迹的总回报。

2、，动作后的总汇报（从该动作往后算，可以看成前期的对后面没有影响）

3、，加入基线的累计回报

4、，状态-值函数

5、，优势函数

6、，TD误差

将广义的策略梯度分开来看， $\mathbf{\Psi_{t}}$ 是一个评价器（critic），评估策略 $\mathbf{p\left(a_{t} \mid s_{t}, \theta\right)}$ 的好坏（策略为actor），在PG中使用的是一条轨迹的累计回报来评价策略的好坏，但这种评价比较粗糙，不够精确。以TD误差为例，构建critic和actor。

1.2 AC算法框架

将状态 V(s) 进行参数化 V(s,w) ，评价器采用 $\mathbf{\Psi_{t}}=\delta_{t}=\hat{Q}-V(s_t,w)$ ，可以理解使用 $\delta_t$ 来评价策略的好坏【注意在一般的框架中 $\delta_t$ 并不就是指TD的误差】

AC通用框架的伪代码如下：

输入：参数化策略 $\pi (a|s,\theta )$ 和参数化的状态

初始化：随机初始化两个参数（ $\theta,w$ ）[两个网络]

循环：

利用当前策略 $\pi (a|s,\theta )$ 采样数据( $s_t,r_t,s_{t+1}$ )

利用数据计算行为值函数，并进行单步更新。【其中的行为值函数即为 $\hat{Q}$ ，其目的为计算评估器】