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
Fanxt_Ja3 小时前
【LeetCode】算法详解#15 ---环形链表II
数据结构·算法·leetcode·链表
侃侃_天下3 小时前
最终的信号类
开发语言·c++·算法
茉莉玫瑰花茶3 小时前
算法 --- 字符串
算法
博笙困了4 小时前
AcWing学习——差分
c++·算法
NAGNIP4 小时前
认识 Unsloth 框架:大模型高效微调的利器
算法
NAGNIP4 小时前
大模型微调框架之LLaMA Factory
算法
echoarts4 小时前
Rayon Rust中的数据并行库入门教程
开发语言·其他·算法·rust
Python技术极客4 小时前
一款超好用的 Python 交互式可视化工具,强烈推荐~
算法
徐小夕4 小时前
花了一天时间,开源了一套精美且支持复杂操作的表格编辑器tablejs
前端·算法·github
Aomnitrix4 小时前
知识管理新范式——cpolar+Wiki.js打造企业级分布式知识库
开发语言·javascript·分布式