【机器学习】机器学习的基本分类-强化学习-Actor-Critic 方法

Actor-Critic 是一种结合了策略优化（Policy Gradient）和价值函数近似的强化学习算法。它通过同时训练一个 Actor（策略网络） 和一个 Critic（价值网络） 来改进学习效率和稳定性。

---

核心思想

1. Actor：

   • 负责生成动作，直接表示策略 ，即在给定状态 s 下选择动作 a 的概率分布。
   • Actor 的目标是通过策略梯度法最大化累计回报。

2. Critic：

   • 负责评估 Actor 的动作质量，使用状态值函数 或动作-状态值函数 。
   • Critic 提供 Actor 的优化方向。

3. 协作：

   • Actor 使用 Critic 提供的值函数或优势函数（Advantage Function）来改进策略。
   • Critic 通过 Actor 的采样结果更新值函数。

---

算法流程

1. 初始化

• 初始化 Actor 的策略参数 ​。
• 初始化 Critic 的价值参数

2. 交替更新

1. 采样：

   • 使用 Actor 的策略 在环境中采样得到轨迹 。

2. Critic 更新：

   • 计算目标值 ：
     
                                          
   • 最小化 Critic 的损失：
     
                                        ​​​​​​​

3. Actor 更新：

   • 计算 Advantage Function（优势函数）：
     
                                       
   • 使用策略梯度法更新 Actor 的参数：
     
                                       

4. 重复以上步骤，直至收敛。

---

优势与改进

优点

1. 结合策略优化与值函数近似：
   • 提高了策略更新的稳定性。
2. 连续动作空间：
   • 适用于离散和连续动作空间。

缺点

1. 高方差问题：
   • 策略梯度方法固有的方差问题可能影响收敛。
2. 价值函数的估计偏差：
   • Critic 的值函数估计误差可能影响策略优化。

改进方法

1. A3C（Asynchronous Advantage Actor-Critic）：
   • 多线程并行更新，提升学习效率。
2. PPO（Proximal Policy Optimization）：
   • 引入限制更新步幅的机制，改进稳定性。
3. SAC（Soft Actor-Critic）：
   • 最大化策略熵，提升探索能力。

---

Python 示例

以下是一个简单的 Actor-Critic 框架示例（伪代码）：

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim

# 定义 Actor 网络
class Actor(nn.Module):
    def __init__(self, state_dim, action_dim):
        super(Actor, self).__init__()
        self.fc = nn.Sequential(
            nn.Linear(state_dim, 128),
            nn.ReLU(),
            nn.Linear(128, action_dim),
            nn.Softmax(dim=-1)
        )

    def forward(self, state):
        return self.fc(state)

# 定义 Critic 网络
class Critic(nn.Module):
    def __init__(self, state_dim):
        super(Critic, self).__init__()
        self.fc = nn.Sequential(
            nn.Linear(state_dim, 128),
            nn.ReLU(),
            nn.Linear(128, 1)
        )

    def forward(self, state):
        return self.fc(state)

# 初始化环境和参数
state_dim = 4
action_dim = 2
actor = Actor(state_dim, action_dim)
critic = Critic(state_dim)
actor_optimizer = optim.Adam(actor.parameters(), lr=1e-3)
critic_optimizer = optim.Adam(critic.parameters(), lr=1e-3)

# 训练循环
for episode in range(1000):
    state = env.reset()
    while not done:
        # Actor 选择动作
        state_tensor = torch.tensor(state, dtype=torch.float32)
        action_probs = actor(state_tensor)
        action = np.random.choice(action_dim, p=action_probs.detach().numpy())

        # 交互环境
        next_state, reward, done, _ = env.step(action)

        # 计算 Advantage
        state_value = critic(state_tensor)
        next_state_tensor = torch.tensor(next_state, dtype=torch.float32)
        next_state_value = critic(next_state_tensor)
        advantage = reward + gamma * next_state_value - state_value

        # 更新 Critic
        critic_loss = advantage.pow(2).mean()
        critic_optimizer.zero_grad()
        critic_loss.backward()
        critic_optimizer.step()

        # 更新 Actor
        log_prob = torch.log(action_probs[action])
        actor_loss = -(log_prob * advantage.detach())
        actor_optimizer.zero_grad()
        actor_loss.backward()
        actor_optimizer.step()

        state = next_state

---

应用场景

1. 机器人控制：
   • 用于机械臂、移动机器人等连续控制任务。
2. 游戏 AI：
   • 复杂决策场景，如棋牌或模拟游戏。
3. 自动驾驶：
   • 强化学习中的路径规划或驾驶决策模块。

---

Actor-Critic 是强化学习中的一个重要框架，通过组合策略优化与价值函数评估，实现了高效的策略学习。针对实际问题的具体需求，可以进一步结合改进算法来提高性能和适用性。

原文地址：https://blog.csdn.net/IT_ORACLE/article/details/144683543

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！