强化学习从基础到进阶 - 案例与实践 [6]：演员 - 评论员算法（advantage actor-critic，A2C），异步 A2C、与生成对抗网络的联系等详解

汀丶人工智能

06-26

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效率，即从状态 开始的总回报可以通过当前动作的即时奖励