Reinforcement Learning

Actor-Critic Algorithms Math Analysis Methods that learn approximations to both policy and value functions are often called actor–critic methods, where ‘actor’ is a reference to the learned policy, and ‘critic’ refers to the learned value function, usually a state-value function. 这篇论文提出和分析了一类actor–critic算法，用于一参数化系列的随机平稳策略的马尔可夫决策过程（MDP）的基于仿真的优化。 Critic : 一个线性近似架构的TD学习, value function。 Actor : 使用Critic提供的信息，在一个近似梯度方向更新。决策, policy。 大多数强化学习和神经动态编程方法主要属于以下两类中的一类： （a）Actor-only，一系列参数化的策略。性能梯度，对于actor参数的偏导，在提高方向上更新参数。可能的缺点是梯度估计者可能有大偏差，而且，策略改变后，新策略估计与过去估计无关，所以，没有“学习”，也就是没有积累和固化老信息。 （b）Critic-only，只依赖近似值函数，目的是学习Bellman公式的近似解，即希望规定一个近-优化的策略。这个方法不是在策略空间直接优化。这个方法可能可以找到值函数的“好的“近似函数，但是在结果策略的近-优化方面缺乏可信度。 Actor–critic方法结合了actor-only和critic-only的优点。Critic使用一个近似架构和仿真学习值函数，然后用来在性能提高方向上更新actor策略参数，这个方法是基于梯度，可以得到希望的收敛特性，critic-only只有在非常有限的设置才能保证收敛。对比actor-only方法，这种方法能更快地收敛，因为偏差降低了。 这篇论文提出actor-critic… read more »