强化学习算法学习汇总笔记 (二) — Actor Critic、DDPG、A3C、_ddpg算法actor 的损失函数为什么是负的

作者：从前慢现在也慢 | 2024-05-08 00:59:27

踩

ddpg算法actor 的损失函数为什么是负的

文章目录

一. Actor Critic

1.基本概念
Actor Critic 为类似于Policy Gradient 和 Q-Learning 等以值为基础的算法的组合。

a. 其中Actor 类似于Policy Gradient，以状态s为输入，神经网络输出动作actions，并从在这些连续动作中按照一定的概率选取合适的动作action。
b. Critic 类似于 Q-Learning 等以值为基础的算法，由于在Actor模块中选择了合适的动作action，通过与环境交互可得到新的状态s_, 奖励r，将状态 s_作为神经网络的输入，得到v_，而原来的状态s通过神经网络输出后得到v。
c. 通过公式$ \ td_{error}= r+\gamma v_{-} \ - v$得到状态之间的差 $td_{error}$ ，最后通过状态s，动作action，以及误差 $td_error$

本文内容由网友自发贡献，转载请注明出处：【wpsshop博客】