李宏毅的强化学习视频用于梳理翻阅（2）

Actor-Critic算法

在之前的Policy Gradient算法中，其运行结果不够稳定的至少一条原因是：奖励项不够稳定。

下图中，蓝色实现标记的当前和随后的奖励累积和，作为评判??生成的轨迹的好坏度量，即通过累积和修正????????_??。

但是，该累积和受到了策略网络??的影响很大。在相同的行为下，因为概率问题，使得最终的路径大不相同，从而导致了不同的累积和。因此，该累积和无法稳定的度量，策略网络??生成的轨迹。

 在Q-learning之类的算法中，使用状态值函数V(s)，选择最大的状态价值对应的行为a，或使用状态行为对Q(s,a)，输出对应最大奖励r的行为a。

在该链接中有一张图如下作为参考，不知道对不对：https://zhuanlan.zhihu.com/p/26308073

 在Actor-Critic算法下，对Policy Gradient做了一些修正如下：共有两处，一处Q的期望，一处V的价值。

 为了计算方便和一些经验判断思考，做了两处替换：

Q网络和V网络的问题是，因为Q和V在实际操作过程中，没有足够和有效的的采样，是有偏差的估计值。使用Q-V来计算，则使得两个模型的偏差值更大。因此，将Q使用V来表示。这样的表示是严谨的吗，

 其中在之前使用的是Q的期望，但是实际操作中，实现条件和表达问题，去掉了期望部分。

 最终的更新公式如下：其中V表示一个网络，Critic网络。另外的策略网络??，输出行为，对应的????????_??部分。

Critic网络，梯度下降，最小化目标为Q-V的部分，Actor网络，梯度上升，最大化目标函数，从而增强评价中，策略输出行为更优方向，的概率。

 另外，有一些技巧是，如果是像素输入，则可共用卷积神经网络。另外，使用熵对??做正则化，使得动作输出的信息量更大，更有利于探索。

A3C算法，使用了异步方式。