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。
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。
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。