本文正在参加「金石计划」

导语

本系列笔记为b站Shusen Wang老师的强化学习课程笔记，整体按照老师讲课的思路来记录。本节课主要介绍AC算法。

Actor-Critic方法

Actor是策略网络，用来控制Agent运动，可以把它看做是运动员；Critic是价值网络，用来给动作打分，可以把它看做是裁判。这节课的内容是构造这两个神经网络，然后通过环境给出的奖励来学习这两个网络。AC方法实际上就是前两节所讲的方法的结合。

首先来看一下如何构造Value Network和Policy Network。

我们先来回顾一下State-value Function的近似，由于$\pi (a|s),Q_{\pi }(s,a)$这两个函数我们都不知道，所以我们可以使用两个神经网络来近似这两个函数，然后用AC方法同时学习这两个神经网络。

可以这样理解：Actor是一个运动员，可以做动作；如果他想让自己做的更好，就需要不断改进自己的技术。可是，它并不知道如何改进自己。这就需要裁判Critic来给运动员打分，这样运动员就知道什么样的动作得分高。

使用策略网络和价值网络分别近似$\pi (a|s),Q_{\pi }(s,a)$。

我们来搭建这两个网络，首先是策略网络Actor，结构与之前类似：

然后是价值网络，它的输入由两部分：一部分是当前的状态s，由卷积层进行特征提取；另一部分是当前的动作a（比如为一个One-hot embedding），由一个MLP来进行特征提取。然后将两个特征向量进行拼接，送个一个MLP，输出一个实数，即裁判打的分数。这个分数说明处在状态s的情况下，做出动作a是好是坏。价值网络和策略网络可以共享卷积层的参数，也可以独立。

同时训练策略网络和价值网络，就被称为Actor-Critic算法。

训练神经网络

经过我们之前的近似，整体的$V(s;\theta ,w)$函数就可以用两组神经网络的参数来表示，训练时需要同时更新这两组参数。但是两组参数的更新目标是不同的：

• 更新策略网络$\pi (a|s;\theta )$的参数$\theta$，是为了让V函数的值增加；
• 更新价值网络$q(s,a;w)$的参数$w$是为了更好，更精准的估计回报；

我们可以做这5个步骤来对网络进行更新：

1. 观测到状态$s_t$;
2. 把$s_t$作为输入，用策略网络$\pi (\cdot |s_t;\theta )$来计算动作的概率分布，然后进行动作抽样；
3. Agent执行动作$a_t$，这时候环境会得到新的状态$s_{t+1}$和奖励$r_t$;
4. 有了奖励$r_t$，就可以根据TD算法更新价值网络的参数w（也就是让裁判变得更准确）；
5. 最后，使用Policy gradient来更新策略网络的参数$\theta$。

下面介绍具体更新的过程。首先是使用TD算法来更新价值网络。

然后是使用Policy gradient来更新策略网络。

AC方法的整体流程如下：

AC算法流程概览

最后，我们来总结一下AC算法：

1. 观测到状态$s_t$并根据$\pi (\cdot |s_t;\theta )$随机抽样一个$a_t$;
2. 执行$a_t$，然后环境给出新的状态$s_{t+1}$和奖励$r_t$;
3. 用新的状态$s_{t+1}$输入$\pi (\cdot |s_{t+1};\theta )$随机抽样一个${\hat{a}}_{t+1}$（并不执行）
4. 评估价值网络，计算$q_t,q_{t+1}$;
5. 计算TD Error；
6. 对价值网络求导，
7. 使用TD算法更新价值网络；
8. 对策略网络求导；
9. 使用Policy Gradient更新策略网络。

需要注意的是，在第9步中，一些书和论文中使用的是${\delta }_t$，而不是$q_t$，但两种方式都是正确的，证明过程略。

总结

AC算法需要使用两个神经网络来分别近似策略函数和价值函数。这两个网络在训练时分别使用TD算法和Policy Gradient算法进行更新。

在完成训练后，Agent可以根据策略函数来随机抽样动作，而价值函数则不再被使用。