强化学习笔记（六）：Policy Gradient/策略梯度

目录

考题

知识点1：critic、actor​

定理1：策略梯度理论

定理2：函数近似理论

知识点3：蒙特卡洛策略梯度

知识点4:Actor-critic算法

知识点：Advantage Function

总结

考题

知识点1：critic、actor

定理1：策略梯度理论

定理2：函数近似理论

函数近似理论的证明：

知识点3：蒙特卡洛策略梯度

蒙特卡洛参数的更新运用了随机梯度上升的方法。蒙特卡洛策略梯度更新的公式以及伪代码如下所示：

蒙特卡洛策略梯度具有较大的方差，我们使用critic的方法去估计动作值函数，更新过程以及思想如下所示：

知识点4:Actor-critic算法

知识点：Advantage Function

（1）优势函数的定义

（2）优势函数的估计

优势函数可以显著降低策略梯度的方差，因此批评者应该真正估计优势函数

（3） Critics at Difffferent Time-Scales/在不同时间尺度上的批评者

（4） Actors at Difffferent Time-Scales/在不同时间尺度上的评论者

Alternative Policy Gradient Directions

梯度上升算法可以遵循任何上升方向。一个良好的上升方向可以显著加速收敛速度。策略通常可以重新参数化而不改变动作概率，例如，在softmax策略中增加所有动作的得分。普通的梯度对这些重新参数化很敏感。

Natural Policy GradientNatural Actor-Critic

总结