Algoritmus herec-kritik
term_id: actor_critic_algorithm
Category: basic_concepts
Definition
Algoritmus herec-kritik používá dvě komponenty: herce, který aktualizuje politiku pro výběr akcí, a kritika, který vyhodnocuje kvalitu těchto akcí odhadem funkce hodnoty.
Summary
Rámec učení s posilováním kombinující metody založené na hodnotě a politice pomocí dvou neuronových sítí: herce a kritika.
Key Concepts
- Gradient politiky
- Funkce hodnoty
- Chyba časového rozdílu
- Hybridní RL
Use Cases
- Manipulace robotického ramene
- Herní agenti (např. AlphaStar)
- Spojité řídící systémy v autonomních vozidlech