Actor-Critic 算法和带基准线的 REINFORCE 算法非常接近，区别在于后者需要一个轨迹才会更新一步，而前者在每次状态转移后都会更新。

在 $REINFORCE$ 算法中，每次需要根据一个策略采集一条完整的轨迹，并计算这条轨迹上的回报。这种采样方式的方差比较大，学习效率也比较低。我们可以借鉴时序差分学习的思想，使用动态规划方法来提高采样的效率，即从状态开始 $s$ 的总回报可以通过当前动作的即时奖励 $r(s,a,s^{\prime})$ 和下一个状态 $s^{\prime}$ 的值函数来近似估计。

演员评论员算法（Actor-Critic Algorithm）既不属于基于值函数的学习方法，也不属于基于策略函数的学习方法，它是结合策略梯度和时序差分学习的强化学习方法。

基本思想

演员（Actor）

演员（Actor）是指策略函数 $\pi_{\theta}(s, a)$，即学习一个策略来得到尽量高的回报。

评论员（Critic）

评论员（Critic）是指值函数 $V_{\phi}(s)$，对当前策略的值函数进行估计，即评估 Actor 的好坏。借助于值函数，Actor-Critic 算法可以进行单步更新参数，不需要等到回合结束才进行更新。

在该算法中，策略函数 $\pi_{\theta}(s, a)$ 和值函数 $V_{\phi}(s)$ 都是待学习的函数，需要在训练中同时学习。

训练过程

假设从时刻 $t$ 开始的回报 $G\left(\tau_{t : T}\right)$，我们用下面公式计算。

$$\hat{G}\left(\tau_{t : T}\right)=r_{t+1}+\gamma V_{\phi}\left(s_{t+1}\right)$$

其中 $s_{t+1}$ 是 $t+1$ 时刻的状态，$r_{t+1}$ 是即时奖励。

在每步更新中，分别进行策略函数 $\pi_{\theta}(s,a)$ 和值函数 $V_{\phi}(s)$ 的学习。一方面，更新参数 $\phi$ 使得值函数 $V_{\phi}(s_{t})$ 接近于估计的真实回报 $\hat{G}\left(\tau_{t : T}\right)$。

$$\min _{\phi}\left(\hat{G}\left(\tau_{t : T}\right)-V_{\phi}\left(s_{t}\right)\right)^{2}$$

另一方面，将值函数$V_{\phi}(s_{t})$ 作为基函数来更新策略函数的参数 $\theta$，减少策略梯度的方差。

$$\theta \leftarrow \theta+\alpha \gamma^{t}\left(\hat{G}\left(\tau_{t : T}\right)-V_{\phi}\left(s_{t}\right)\right) \frac{\partial}{\partial \theta} \log \pi_{\theta}\left(a_{t} | s_{t}\right)$$

在每步更新中：

• 演员根据当前的环境状态 $s$ 和策略 $\pi_{\theta}$ 去执行动作 $a$，环境状态变为 $s^{\prime}$，并到即时奖励 $r$。
• 评论员根据环境给出的真实奖励和之前标准下的打分 $\left(r+\gamma V_{\phi}\left(s^{\prime}\right)\right)$，来调整自己的打分标准，使得自己 的评分更接近环境的真实回报。
• 演员则跟据评论员的打分，调整自己的策略 $\pi_{\theta}$，争取下次做得更好。

开始训练时，演员随机表演，评论员随机打分。通过不断的学习，评论员的评分越来越准，演员的动作越来越好。

通用算法框架：一个示例

由于我们最后希望得到一个策略，所以大循环中终止目标是策略函数的参数 $\theta$ 收敛。

1. 外部循环在参数 $\theta$ 收敛后停止。
2. 内部循环中，首先演员表演，得到蒙特卡洛误差 $\delta$，并利用该参数更新值函数参数 $\phi$ 和演员参数 $\theta$，并降低更新步长参数 $\lambda$。内部循环到终止状态时结束。