TD3:双延迟深度确定性策略梯度

基本概念

TD3

TD3全称Twin Delayed Deep Deterministic Policy Gradient,中文名双延迟深度确定性策略梯度。简单来说TD3算法是一个相对于DDPG算法优化的版本。TD3算法在DDPG算法的基础上,主要有三个方面的优化:

1、网络结构的优化:TD3在DDPG基础上增加了一个Critic网络,主网络上TD3有2个Critic网络和一个Actor网络,同时Target目标网络也有主网络的一个备份。为什么增加一个Critic网络?原因很简单,增加一个Critic网络,就可以形成对比,通过选取最小的Q值,来避免持续过高的估计。这在只有一个Critic网络是做不到的,当然还可以再增加一个Critic网络。
在这里插入图片描述
2、更新方式的优化:DDPG网络的更新方式是Critic网络参数更新一次,Actor参数也跟着更新一次。但是在TD3网络中,并不是这样的,它采用延迟更新的策略。也就是说,Critic网络更新多次后,Actor网络才更新一次。

为什么采用延迟更新?这样做的目的主要是为了稳定Q值,减少一些错误的更新。想象一下,原本是最高点,当Actor好不容易到达最高点,Q值更新了,这里并不是最高点了。这是Actor只能转头再继续寻找新的最高点;更坏的情况是Actor被困在次高点,没能找到正确的最高点。

3、参数更新的优化:在更新Critic网络时候加入随机噪声 a ~ \tilde{a} a~,以达到对Critic网络波动的稳定性。

Critic网络参数更新的方式为:
在这里插入图片描述
TD3算法的伪代码如下图所示:
在这里插入图片描述

  • 6
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不负韶华ღ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值