要想深入理解还得系统地看书看公式。下面提供两个不同的视角，看看能不能帮助你理解。
视角一：从Q-Learning过渡到Actor-Critic
经典的Q-learning可以拆成两部分：一部分是Q(s,a)存储了在状态s下执行a动作后，执行greedy策略的期望收益，另外一部分是在决定执行哪一个动作的时候，把每个候选的a代入到Q(s,a)，求出具体的值后，根据e-greedy策略来选择其中一个a作为真正执行的动作。这里用到的e-greedy策略是非参数化（因为e是一个固定值）的，是个固定的策略，所以通常被我们忽略掉这部分，注意力都放在Q值更新上；但如果把这个e-greedy策略替换成参数化的策略，那么就变成了actor-critic。上述所谓的第一部分就是critic，第二部分就是actor。从这个角度看，Q-learning可以视为actor为固定策略的特殊的actor-critic。
视角二：从Policy Gradient过渡到Actor-Critic
Policy Gradient经典算法REINFORCE的基本思路是，用pi(s,a)来直接决定在s状态下，选择动作a的概率。每次学习的时候，在s状态采取动作a，然后follow当前policy一条路走到黑，看看最后的return是多少。如果return不错，那么把pi(s,a)的值稍微加大一点，鼓励下次继续选择动作a。但是每当现有policy稍微一迭代更新，在s状态采取动作a后，依照这个policy开始一条路走到黑最后的return就变化，那么就会导致我们一下子鼓励a，一下子不鼓励a，不利于训练（尤其是用神经网络等非线性模型作为Function Approximator的时候）。一个改进思路是干脆我们把return的平均值记下来，取代之前用的单次simulation的return，作为s状态采取动作a到底好不好的度量。好处是return的平均值（近似Q(s,a)）变化就慢多了，起码正负号稳定多了。这里用return平均值近似的Q(s,a)就是Critic。前面的pi(s,a)就是actor。
其实还有一个有点邪门的视角：actor就好比是你，critic就好比你妈。你做一件事情，比如抓蜜蜂，结果被蜇疼了，下次你再抓蜜蜂的概率就减小了，这个就是policy gradient。你刚手伸出去要去抓蜜蜂，你妈就说，别抓，十有八九会被蜇疼。你听了后停止了抓蜜蜂，并且下次抓蜜蜂的概率减小了，这个就是actor-critic。你每次看见蜜蜂的时候都问你妈，抓蜜蜂好还是不抓蜜蜂好？你妈说不抓蜜蜂好，通常你听你妈的话就不抓蜜蜂了，偶尔心情不好的时候（以e的概率）还要去抓蜜蜂，这个就是Q-learning。那么妈妈是怎么知道抓蜜蜂会疼的？当然她也是抓过蜜蜂的（Q-value update）。
------------------------------------------------------------------------------------------------------------
https://blog.csdn.net/coffee_cream/article/details/70194456
Temporal-difference (TD) learning可以说是增强学习的中心，它集成了蒙特卡洛思想和动态编程（dynamic programming, DP）思想，像蒙特卡洛方法一样，TD 方法不需要环境的动态模型，直接从经验经历中学习，像 DP 方法一样，TD 方法不需要等到最终的 outcome 才更新模型，它可以基于其他估计值来更新估计值。