初识ActorCritic

什么是Actor-Critic

• 之前通过李宏毅、莫烦Python的视频了解了Actor-Critic的基本概念。
• 现在看看Actor-Critic的论文继续了解一下。

Critic-Only and Actor-Only

• 这篇文章之前的算法是Critic-Only, or Actor-Only。
• Actor-only：使用policy gradient，通过simulation来评估gradient好坏。
  • 缺点：主要是estimation上的问题。
    • gradient estimators可能由很大的方差variance。
    • A new gradient is estimated independently of past estimates. 也就是说对gradient的评估并没有很好的用过去的经验，并没有很好的“learning”
• Critic-only：只有value function approximation，学习近似Bellman equation的solution, 希望学习出一个near-optimal policy。
  • 优点：
    • 也许可以在构造一个"good" approximation of value function上成功
    • 和actor-only相比收敛快 (due to variance reduction)。
  • 缺点：
    • 在得到一个near-optimality的resulting policy上缺少可靠的保证。
    • Convergence is guaranteed in very limited settings.

Brief Introduction of Actor-Critic

• 
  1. 用策略与环境互动。
  2. Critic：根据互动结果，用TD或者MC学习Value值。
  3. Agent：然后用这个Value值来policy gradient，更新policy。
  4. 用更新了的policy再去环境互动。

代码

• 看莫烦python的代码

Reference

• Actor-Critic Algorithms https://proceedings.neurips.cc/paper/1999/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
• 李宏毅 Actor-Critic相关视频