强化学习论文（A3C）

介绍核心思想主要是利用多线程的方法让多个环境并行的运行在探索性策略的情况下让agent能够在每一个step都有更多的探索性尽快找到最优策略。抛弃DQNDDPG等算法中的replay buffer采用on-line的方式学习。replay buffer会将数据存储起来供学习其数据来源于旧的policyon-line的方式的数据来自于刚刚更新的新policy。在多线程的情况下每个agent有独立的环境也面对不同的state在多核cpu上每个agent以不同的策略独立探索大大增加了数据的多样性同时数据天然的是相互独立的。网络参数是在线程之间异步更新的而且是Lock free的不需要互斥。该方法可以用在不同的算法上论文中介绍了四种算法的异步应用Async Q-Learning和Async n-Step Q-Learning在主线程上维护一个统一的global net每个线程有独立的local net。当线程内满足terminal或特定步数后更新local net。当所有线程的总步数满足特定条件后将local net的参数复制给global net。在n-step Q-Learning中线手机n步的数据再更新参数。这里n-step的最后一步的return计算方式和中间步骤的计算方式不太一样最后一步是而中间步是且需要每一步累计梯度。Async one-Step SARSA和Async n-Step SARSA和Async Q-Learning基本差不多主要是把TD-target从变成了Async Advantage Actor-critic一个global的公共critic用来输出q-value一个global的公共actor用来输出policy这里也采用了n-step的方法先收集一部分数据。也因此在更新过程中它的优势函数就用代替了标准A2C算法中的同时将策略的entropy添加的目标函数中可以组织网络过早的收敛到次优解从而改善探索性。包含entropy的目标函数是其中H就是策略的entropy超参数β控制熵正则化项的强度。