【强化学习】Actor-Critic算法
最近读论文看到了强化学习中的Actor-Critic算法。因此了解一下这方面的知识，并记录下来，以防忘记。文章中部分内容也借鉴了其他优秀的博主。
文章目录
- 一、简介
- 二、策略梯度法（Policy Gradient）
- 三、Q-Learning
- 四、Actor-Critic 算法
一、简介
Actor-Critic 算法是一种综合了策略迭代和价值迭代的集成算法。Actor是利用策略梯度算法 实现，Critic使用时序差分 实现。Actor-Critic 算法的组成部分为：
Actor（策略网络）：Actor是策略函数π_θ(s)，是一个神经网络，它负责在给定状态下选择动作，输出每个动作的概率分布。该网络的训练目标是最大化累计回报的期望。
Critic（价值网络）：Critic是值函数V_π(s)，也是一个神经网络，它估计给定状态的价值（状态值）或某个特定动作的价值（动作值）。
二、策略梯度法（Policy Gradient）
策略梯度方法的核心思想是直接优化策略，而不是通过估计价值函数间接优化策略。
具体推导可参考这篇文章：【详解+推导！！】Policy Gradient 策略梯度法
策略梯度法的主要过程是：
-
初始化一个策略网络θ
-
用这个策略网络进行N次游戏，产生N个τ
-
利用这N个τ进行梯度上升，调整策略网络的参数：
-
再如此重复2、3步。
三、Q-Learning
Q-learning 是一种无模型的、基于价值的强化学习算法，旨在通过学习 Q 值函数来找到最优策略。Q-learning 不需要环境的模型（即不知道状态转移概率），它通过与环境交互获得奖励信息来进行学习。
具体推导可参考这篇文章：Ｑ Learning概念、更新、代码实现，文章讲得很直白易懂。
大致过程如下：
四、Actor-Critic 算法
具体可以看这篇文章，我认为比较好懂：【深度强化学习】(4) Actor-Critic 模型解析，附Pytorch完整代码
Actor网络的优化目标如下：
L_{actor} = \frac{1}{N}\sum_{i}^Nlogπ_*(s_t,a_t)(G_t-V(s_t))
我的理解：
（1）π_*代表最优策略，π_*(s_t,a_t)表示在状态s_t选择动作a_t的概率.
（2）G_t表示从时间步𝑡开始的 实际累积回报（Return），V(s_t)状态值函数，即从状态 s_t出发按照当前策略 𝜋 所能期望获得的未来累积奖励的估计值。它通常通过一个神经网络来估计，即价值网络（Critic）。
（3）G_t-V(s_t)反映了当前策略与目标策略之间的差异，是一个 优势函数（Advantage Function） 的估计，即 当前实际获得的回报与模型估计的回报之间的差异。当这个差值大于0时，说明实际回报高于预期，表明选择了一个好的动作；反之，当这个差值小于0时，说明实际回报低于预期，表明选择了一个较差的动作。
（4）在实际代码实现中，很难直接获得真正的实际累积回报 G_t（特别是在长期任务或持续任务中，因为需要积累未来所有的奖励）。因此，通常会使用 时序差分（TD）误差作为G_t-V(s_t)的近似替代来估计优势函数。时序差分误差的定义：
Critic网络的优化目标如下：
Critic 网络的损失函数计算公式采用均方误差损失函数，即 TD 误差值的累计平方值的均值
L_{critic} = \frac{1}{N}\sum_{i}^N(G_t-V(s_t))