AI学习笔记——Actor-Critic强化学习

1. 回顾强化学习方法

我们介绍了基于价值(Value-Based)的强化学习和基于策略(Policy-Based)的强化学习，有没有结合两者优势的强化学习方法呢？答案是肯定的，那就是Actor-Critic学习方法。三者的关系如下图：

基于价值的强化学习通过学习(近似的)价值函数并采用比如Ɛ-greedy执行方法更新策略；基于策略的强化学习没有价值函数，直接学习策略；Actor-Critic强化学习既学习价值函数也学习策略函数。

2. Actor-Critic方法简介

Actor-Critic的字面意思是“演员-评论”，相当于演员在演戏的同时有评论家指点继而演员演得越来越好。

基于Actor-Critic策略梯度学习分为两部分内容：

• Critic：参数化行为价值函数Qw(s, a)
  * Actor：按照Critic部分得到的价值引导策略函数参数θ的更新。
  
  对于Critic的部分可以使用之前所讲到的MD，DP等方法进行优化，举一个简单的例子，假设价值函数是一个线性的近似函数：
  
• Critic: 使用TD(0)的方法更新权重 w
• Actor 通过策略梯度(Policy Gradient)更新θ

具体算法如下：

与上一篇文章中的蒙特卡洛策略梯度算法相比, 1. 每一步都更新而不是完成整个Episode再更新，这是TD(0)和MD算法的区别。2. 通过更新w，和θ同时更新了价值函数和策略函数。