PPO算法与DDPG算法的比较

一、PPO算法

1. actor网络

Actor 网络输出在给定状态 s t s_t st下采取每个动作的概率分布,通常使用一个神经网络表示: [ π θ ( a t ∣ s t ) ] [ \pi_\theta(a_t | s_t) ] [πθ(at∣st)].PPO 迭代地更新这个 policy,以改进策略并提高性能。

2. Critic网络

V ϕ ( s t ) \] \[ V_\\phi(s_t) \] \[Vϕ(st)\]用于估计状态的值函数。Critic 网络的目标是学习一个准确估计的状态值函数,以便计算优势函数(Advantage Function)。这个 value 网络帮助计算 advantage(优势),即在某个状态下执行某个动作相对于平均水平的优越性。 ![在这里插入图片描述](https://file.jishuzhan.net/article/1727994170762596354/7ecb84aa5ae0ec74af9a0bfa386c0d62.webp) ## 二、DDPG算法 ### 1. actor网络 DDPG 使用一个 actor 网络 \[ μ θ ( s t ) \] \[ \\mu_\\theta(s_t) \] \[μθ(st)\],其输出是在给定状态下采取的动作。与 PPO 不同,DDPG 的输出是连续的动作,而不是动作概率分布。 ### 2. Critic网络 DDPG 有一个 critic 网络 \[ Q ϕ ( s t , a t ) \] \[ Q_\\phi(s_t, a_t) \] \[Qϕ(st,at)\],用于估计在给定状态和动作下的 Q 值(动作的质量)。这个 Q 值用于计算 policy gradient,以更新 actor 网络。 Critic 网络的训练目标是最小化 Q 值的均方误差,以使其能够准确估计累积奖励。 ![在这里插入图片描述](https://file.jishuzhan.net/article/1727994170762596354/be80119ae0178a41d79c1bfbf7a8109b.webp) ## 三、比较 * 更新目标:PPO 通过**迭代更新 policy 来提高性能** ,而 DDPG 则使用 **critic 网络的 Q 值来计算 policy gradient**,并更新 actor 网络。

相关推荐
空白到白5 小时前
决策树-面试题
算法·决策树·机器学习
flashlight_hi5 小时前
LeetCode 分类刷题:2563. 统计公平数对的数目
python·算法·leetcode
雨中散步撒哈拉5 小时前
13、做中学 | 初一下期 Golang数组与切片
开发语言·后端·golang
0wioiw05 小时前
Go基础(③Cobra)
开发语言·后端·golang
前端世界5 小时前
HarmonyOS 数据处理性能优化:算法 + 异步 + 分布式实战
算法·性能优化·harmonyos
楼田莉子5 小时前
C++算法专题学习:栈相关的算法
开发语言·c++·算法·leetcode
晨非辰6 小时前
#C语言——刷题攻略:牛客编程入门训练(九):攻克 分支控制(三)、循环控制(一),轻松拿捏!
c语言·开发语言·经验分享·学习方法·visual studio
_oP_i6 小时前
Java 服务接口中解决跨域(CORS,Cross-Origin Resource Sharing)问题
java·开发语言
陈序猿(代码自用版)6 小时前
【考研C语言编程题】数组元素批量插入实现(含图示+三部曲拆解)
c语言·开发语言·考研
唐•苏凯6 小时前
ArcGIS Pro 遇到严重的应用程序错误而无法启动
开发语言·javascript·ecmascript