参考：蘑菇书EasyRL
演员-评论员算法是结合策略梯度和时序差分学习的强化学习方法
- Advantage Actor-Critic（A2C）
- Asynchronous Advantage Actor-Critic （A3C）（多进程）
Asynchronous Methods for Deep Reinforcement Learning
Policy Gradient梯度策略（PG）_bujbujbiu的博客-CSDN博客
Proximal Policy Optimization近端策略优化（PPO）_bujbujbiu的博客-CSDN博客
（建议学习路线：PG——A2C——PPO ）
目录
1.策略梯度回顾
在策略梯度中更新策略参数公式如下：
首先通过智能体与环境交互，可以计算某一状态s下采取某一动作a的概率，接下来计算从状态s执行动作a之后一直到结束的累积折扣奖励，通常将折扣因子设置为0.9或者0.99，同时减去一个基线b，这样括号里面就有正有负，用G表示累积折扣奖励，G是一个随机变量，即便有固定分布，但是方差也很大，采样次数可能不太够的情况下，结果不稳定，如正好采样到G=-10，G=100，结果就会差很多。因此为了训练的稳定性，我们希望能直接固定随机变量G的期望值，这就需要引入value-based的方法即深度Q网络。
2.深度Q网络
深度Q网络中有两种函数 ，有两种评论员
：假设演员的策略是
，使用
：在状态 s 采取动作 a，接下来用策略 π 与环境交互，累积奖励的期望值是多
少。输入s，输出每个a的Q值
3.优势演员-评论员算法
策略梯度中随机变量G的期望值便是Q值
因此可以使用Q值替换策略参数更新公式中的累积奖励，Q函数表示某一个状态 s，采取某一个动作 a，假设策略是 π 的情况下所能得到的累积奖励的期望值，即 G 的期望值。这样就把演员和评论员两个方法结合。
对于基线b可以用价值函数 ，价值函数的定义为，假设策略是 π，其在某个状态 s 一直与环境交互直到游戏结束，期望奖励有多大。
没有涉及到动作，
涉及到动作，
是
的期望值，因此两者差值有正有负，将原先的权重项变成优势函数得到A2C。
如果这样实现有一个缺点，需要估计两个网络：Q网络和V网络，风险扩大。实际上确实可以只估计V，用V的值表示Q。用期望是因为在s执行a得到的r是什么，进入什么新状态是有随机性的
但是实际上在实现的时候，去掉了期望值，这样虽然增加了一点r的方差，但是r和G相比只是一小部分，也是合理的，并且论文作者在多次试验后发现，去掉期望值的效果更好。
注意此处说的Q网络，V网络都是评论员，用V值表示Q值后只有一个评论员，但是还有演员需要与环境交互，因此A2C还是有两个网络（一个演员网络和一个评论员网络）
我们有一个 π，有个初始的演员与环境交互，先收集资料。在策略梯度方法里收集资料以后，就来更新策略。但是在演员-评论员算法里面，我们不是直接使用那些资料来更新策略。我们先用这些资料去估计价值函数，可以用时序差分方法或蒙特卡洛方法来估计价值函数。接下来，我们再基于价值函数，使用上述参数更新公式更新 π。有了新的 π 以后，再与环境交互，收集新的资料，去估计价值函数。再用新的价值函数更新策略，更新演员。整个优势演员-评论员算法就是这么运作的。
在实现演员—评论员算法时，有两个技巧：
- 演员网络和评论员网络共享一部分层，其输入都是s
- 对
平均一些