actor:行动者,对应policy
critic:评论者,对应value function值函数
(1)actor-only:将policy参数化,可以在算法过程中直接优化,因此action可以是连续的。优化方法通常为policy gradient方法,该方法的缺点为在估计梯度的时候将会产生较大的方差,导致学习速度较慢。
(2)critic-only:使用temporal difference(时间差分法)学习方法,估计过程中方差小。通常greedy (贪心算法)或者ε-greedy(ε贪心算法)。ε-greedy可以有效的平衡exploration-exploitation的关系,既能探索新的action又能利用原有的经验生成最优的action,这里不详细介绍greedy,通过greedy算法搜索最优action的计算量非常大,尤其是action是连续的情况下。因此,critic-only通常连续的action进行离散化,将优化问题变为一个枚举问题。
(3)actor-critic:整合了上述两个方法的优点。低方差,连续action。critic对当前的state以及action的表现进行估计,得到value function,用来给actor更新梯度。低方差的代价是在学习开始时,由于critic的估计不够准确而使算法具有较大偏差。policy-gradient占了该算法的绝大部分,其中可以分为两种standard gradient以及natural gradient,另一部分为更新actor。
参考文献:
1. https://blog.csdn.net/weixin_37895339/article/details/74612572