PyTorch强化学习实战（20）——优势演员-评论家（Advantage Actor-Critic, A2C）我们已经介绍了一种基于策略的方法，讨论了 REINFORCE 方法及其改进版本，后者使用折扣奖励来计算策略梯度(梯度指明了策略优化的方向)，这两种方法在简单的CartPole问题中表现良好，但在更复杂的 Pong 环境中却无法收敛。 本节中，我们将讨论原始策略梯度方法的另一种变体，即演员-评论家 (actor-critic)算法，显著提升了方法的稳定性和收敛速度，现已成为深度强化学习中最强大的方法之一。