【强化学习】actor-critic算法

actor：行动者，对应policy critic：评论者，对应value function值函数 (1)actor-only：将policy参数化，可以在算法过程中直接优化，因此action可以是连续的。优化方法通常为policy gradient方法，该方法的缺点为在估计梯度的时候将会产生较大的方差，导致学习速度较慢。  (2)critic-only：使用temporal difference

>>阅读原文<<