当前位置：首页 > news >正文

Actor-Critic方法演进：从QAC到DDPG的数学原理与实践

news 2026/4/24 10:35:15

1. Actor-Critic方法的核心思想

Actor-Critic方法本质上是一种结合了策略梯度（Policy Gradient）和价值函数逼近（Value Function Approximation）的强化学习框架。它的独特之处在于将策略更新和价值评估两个过程分离，分别由"Actor"和"Critic"两个组件来完成。

想象一下你在学习骑自行车：Actor就像你的身体，负责实际做出蹬踏板、保持平衡等动作；Critic则像你的大脑，不断评估当前动作的效果，告诉你"这个角度太危险"或"速度保持得不错"。两者协同工作，才能快速掌握骑行技巧。

从数学角度看，策略梯度定理给出了目标函数J(θ)的梯度表达式：

∇J(θ) = E[∇logπ(a|s) * Q(s,a)]

其中：

π(a|s)是参数化策略
Q(s,a)是动作价值函数
期望E[...]表示在策略π下的状态-动作分布

这个公式揭示了Actor和Critic的分工：

Actor：负责策略π的更新（公式中的∇logπ部分）
Critic：负责估计Q值（公式中的Q(s,a)部分）

在实际实现中，我们通常用神经网络来参数化这两个组件。例如，可以这样定义：

# Actor网络：输入状态，输出动作概率分布 class Actor(nn.Module): def forward(self, state): return torch.distributions.Categorical(logits=self.net(state)) # Critic网络：输入状态，输出状态价值估计 class Critic(nn.Module): def forward(self, state): return self.net(state)

2. 从QAC到A2C的演进

2.1 最基础的QAC方法

Q Actor-Critic（QAC）是最简单的Actor-Critic实现，其核心流程如下：

用Critic（通常采用SARSA算法）估计Q值
用这些Q值计算策略梯度
更新Actor的参数

具体算法步骤：

for episode in episodes: state = env.reset() while not done: action = actor.select_action(state) next_state, reward, done = env.step(action) # Critic更新（TD学习） q_value = critic(state, action) next_q = critic(next_state, actor.select_action(next_state)) td_error = reward + gamma * next_q - q_value critic.update(td_error) # Actor更新（策略梯度） log_prob = actor.log_prob(state, action) actor_loss = -log_prob * q_value.detach() # 停止梯度传播 actor.update(actor_loss) state = next_state

QAC虽然简单，但存在明显问题：Q值的估计方差较大，导致训练不稳定。这就引出了Advantage Actor-Critic（A2C）的改进。

2.2 A2C的改进思路

A2C的核心创新是引入优势函数（Advantage Function）：

A(s,a) = Q(s,a) - V(s)

其中V(s)是状态价值函数，可以理解为当前状态的"平均表现"。优势函数衡量的是特定动作相对于平均水平的优势。

这个改进带来了三个关键好处：

降低方差：减去基线V(s)后，梯度估计更稳定
更合理的更新：关注动作的相对优势而非绝对值
计算效率：只需估计V(s)而非Q(s,a)，减少了一半的网络参数

实际实现时，我们常用TD误差作为优势函数的近似：

# 在A2C中，Critic只需估计V值 value = critic(state) next_value = critic(next_state) advantage = reward + gamma * next_value - value # TD误差作为优势估计 # Actor更新使用优势函数而非Q值 actor_loss = -log_prob * advantage.detach()

3. Off-policy扩展与重要性采样

3.1 为什么需要Off-policy？

On-policy方法（如QAC、A2C）有个致命弱点：它们只能用当前策略产生的数据来更新自己。这就像学做饭时，每次尝试新配方都必须重新买所有食材，效率极低。Off-policy方法则允许我们重复使用历史经验，大幅提升数据效率。

实现Off-policy的关键技术是重要性采样（Importance Sampling）。其数学本质是：

E_p0[f(X)] = E_p1[f(X) * p0(X)/p1(X)]

这让我们可以用p1分布下的样本来估计p0分布下的期望。

3.2 Off-policy Actor-Critic实现

在Actor-Critic框架中应用重要性采样时，需要注意两个地方：

策略梯度中的动作概率比
价值估计中的状态分布校正

具体算法调整如下：

# 行为策略β与目标策略π的概率比 importance_weight = actor.prob(state, action) / behavior_prob(state, action) # 带重要性权重的Actor更新 actor_loss = -log_prob * advantage.detach() * importance_weight # Critic更新也需要调整（这里展示简单版本） critic_loss = (importance_weight * td_error**2).mean()

实际应用中，为了数值稳定性，我们常对重要性权重进行裁剪（如PPO算法中的clip操作）。此外，还需要特别注意：

当行为策略与目标策略差异过大时，重要性权重的方差会急剧增大
长期轨迹的重要性权重乘积会导致数值不稳定
需要设计适当的价值函数更新规则来抵消分布偏移

4. 确定性策略梯度（DPG/DDPG）

4.1 从随机策略到确定性策略

前三种方法都假设策略是随机的（stochastic），这在离散动作空间很自然。但对于连续控制任务（如机器人操控），确定性策略（deterministic policy）往往更合适。

确定性策略表示为：

a = μ(s)

其中μ是从状态空间到动作空间的确定性映射。这种表示的优势在于：

天然适合连续动作空间
策略输出的维度等于动作维度，而非动作概率分布
训练过程中不需要处理高维概率分布

4.2 DPG的数学形式

确定性策略梯度定理给出了新的梯度表达式：

∇J(θ) = E[∇μ(s) * ∇a Q(s,a)|a=μ(s)]

与随机策略梯度的关键区别：

梯度通过策略网络μ传播
需要计算Q函数对动作的梯度
天然具备off-policy特性

4.3 DDPG的实现技巧

深度确定性策略梯度（DDPG）是DPG的深度学习版本，结合了DQN的优秀实践。其核心组件包括：

class DDPG: def __init__(self): # 四个网络：Actor/Critic及其目标网络 self.actor = ActorNetwork() self.critic = CriticNetwork() self.target_actor = copy.deepcopy(self.actor) self.target_critic = copy.deepcopy(self.critic) # 经验回放缓冲区 self.buffer = ReplayBuffer(capacity=1e6) def update(self, batch): # 计算目标Q值 next_actions = self.target_actor(next_states) target_q = rewards + gamma * self.target_critic(next_states, next_actions) # 更新Critic current_q = self.critic(states, actions) critic_loss = F.mse_loss(current_q, target_q.detach()) # 更新Actor（注意符号） actor_loss = -self.critic(states, self.actor(states)).mean() # 软更新目标网络 self.soft_update(self.target_actor, self.actor, tau=0.005) self.soft_update(self.target_critic, self.critic, tau=0.005)

实际训练时还需要以下技巧：