强化学习方法 / 第 09 门课程

Actor–Critic：策略网络、价值基线与优势函数

本文围绕“Actor–Critic：策略网络、价值基线与优势函数”对课程 ASR 进行高密度论文式重构，并围绕 Actor-Critic、critic、baseline、advantage、TD error 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

AI 课程 · 论文式讲义 · 强化学习方法 知识库文章

摘要

本文围绕“Actor–Critic：策略网络、价值基线与优势函数”对课程 ASR 进行高密度论文式重构，并围绕 Actor-Critic、critic、baseline、advantage、TD error 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

**关键词：**Actor-Critic；critic；baseline；advantage；TD error

1. 研究背景

强化学习研究智能体如何通过与环境交互最大化长期累计回报。与监督学习直接给定目标标签不同，RL 的学习信号来自动作影响后的奖励，并受到信用分配、探索和策略分布变化影响。

策略梯度直接优化随机策略；Actor–Critic 以价值函数降低方差；PPO 再通过近端更新限制新旧策略变化，是现代 RLHF 中常见的策略优化基础。

本讲进一步聚焦Actor–Critic：策略网络、价值基线与优势函数。正式分析首先需要明确该方法试图压缩哪一种计算复杂度、拟合哪一种统计规律或改进哪一类表示，再讨论公式和实现。只有把技术目标与评价标准绑定，才能避免把课堂示意性操作误写成普遍结论。

Actor–Critic：策略网络、价值基线与优势函数 技术流程图

图 1　技术主线。 将本讲知识重构为“问题表示—核心计算—评价/决策”的依赖关系。依据课程 ASR 确认的主题和本章权威资料重新绘制。

2. 核心难点

该主题的难度不仅来自公式本身，还来自模型假设、数据/状态规模和工程资源的共同约束。结合本讲内容与一手资料，可将主要问题归纳为以下四类。

难点 1

行动会改变后续数据分布，因此训练样本并非固定独立同分布。

难点 2

长期奖励产生信用分配问题，Monte Carlo 与 bootstrap 在偏差/方差间权衡。

难点 3

策略更新过大可能导致性能突然退化，需要控制分布漂移。

难点 4

探索、奖励设计和离线评估都是实际系统稳定性的关键。

3. 主要工作与技术路线

课程原有知识可压缩为一条完整方法链路。与课堂按幻灯片顺序逐项说明不同，本文按可复现算法过程重排如下：

  1. 定义 MDP、策略和长期回报：围绕 Actor-Critic 建立可验证的输入、计算与评价关系。
  2. 采样轨迹或批次数据：围绕 critic 建立可验证的输入、计算与评价关系。
  3. 估计 return/value/advantage：围绕 baseline 建立可验证的输入、计算与评价关系。
  4. 按策略梯度或近端目标更新：围绕 advantage 建立可验证的输入、计算与评价关系。
  5. 重新采样并持续评估策略：围绕 TD error 建立可验证的输入、计算与评价关系。

这些步骤共同回答三个问题：候选对象如何表示；核心计算如何改变或评价它；最终结果在什么条件下可以被视为有效。后续章节的公式、图表和实验均围绕这条链路展开。

4. 概念与形式化

优势函数

Aπ(s,a)=Qπ(s,a)−Vπ(s)A^\pi(s,a)=Q^\pi(s,a)-V^\pi(s)

优势衡量某动作相对当前状态平均水平的改进程度。

TD 误差

δt=rt+γV(st+1)−V(st)\delta_t=r_t+\gamma V(s_{t+1})-V(s_t)

Actor–Critic 可用 TD 误差作为低方差的策略更新信号。

核心对象正式技术含义关联形式化
Actor-CriticActor–Critic 将 policy（Actor）和 value estimator（Critic）分工：Actor 根据优势信号更新行动概率，Critic 用 TD/return 逼近价值。Critic 主要作为降低策略梯度方差和提高样本利用率的学习组件。优势函数 / TD 误差
criticCritic 估计 V(s)、Q(s,a) 或 advantage，为 Actor 提供低方差训练信号。它本身也需要通过 TD/return 目标训练。优势函数 / TD 误差
baselineBaseline 从 policy-gradient 回报中减去与行动无关的基准不会改变期望梯度，但可显著降低方差；常用状态价值 V(s)。优势函数 / TD 误差
advantageAdvantage A(s,a)=Q(s,a)-V(s) 衡量某动作相对该状态平均策略的增益，是 Actor 更新的常用权重。优势函数 / TD 误差
TD error本讲核心技术对象；其定义需结合当前章节的输入、输出和假设理解。优势函数 / TD 误差

核心概念关系图

图 2　核心对象之间的功能关系。 图示说明表示、计算机制与评价之间的依赖，不复刻课程 PPT。

5. 核心技术机制

1. Actor-Critic

Actor–Critic 将 policy（Actor）和 value estimator（Critic）分工：Actor 根据优势信号更新行动概率，Critic 用 TD/return 逼近价值。Critic 主要作为降低策略梯度方差和提高样本利用率的学习组件。

2. critic

Critic 估计 V(s)、Q(s,a) 或 advantage，为 Actor 提供低方差训练信号。它本身也需要通过 TD/return 目标训练。

3. baseline

Baseline 从 policy-gradient 回报中减去与行动无关的基准不会改变期望梯度，但可显著降低方差；常用状态价值 V(s)。

4. advantage

Advantage A(s,a)=Q(s,a)-V(s) 衡量某动作相对该状态平均策略的增益，是 Actor 更新的常用权重。

方法流程

将核心概念放回执行过程后，可以得到下表。正式算法描述必须同时给出状态更新、评价标准与终止条件，而不能只记录操作顺序。

阶段处理步骤主要技术对象
1定义 MDP、策略和长期回报Actor-Critic
2采样轨迹或批次数据critic
3估计 return/value/advantagebaseline
4按策略梯度或近端目标更新advantage
5重新采样并持续评估策略TD error

相关对象的功能比较

对象定义使用边界
Actor-CriticActor–Critic 将 policy（Actor）和 value estimator（Critic）分工：Actor 根据优势信号更新行动概率，Critic 用 TD/return 逼近价值。Critic 主要作为降低策略梯度方差和提高样本利用率的学习组件。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
criticCritic 估计 V(s)、Q(s,a) 或 advantage，为 Actor 提供低方差训练信号。它本身也需要通过 TD/return 目标训练。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
baselineBaseline 从 policy-gradient 回报中减去与行动无关的基准不会改变期望梯度，但可显著降低方差；常用状态价值 V(s)。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
advantageAdvantage A(s,a)=Q(s,a)-V(s) 衡量某动作相对该状态平均策略的增益，是 Actor 更新的常用权重。主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
TD error核心技术对象主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。

6. 性质、实验与证据

采样分布与稳定性

强化学习更新使用由当前/旧策略生成的数据，策略变化会同时改变训练数据分布。Actor–Critic、PPO 和 KL regularization 都可视为控制估计方差或限制分布漂移的机制。

奖励与目标错配

优化器只会提高被形式化的 reward/代理目标。若 reward model 不能完整表达人类偏好，策略可能利用代理缺陷。因此 RLHF 的关键不仅是 PPO，还包括偏好数据质量、奖励模型泛化和对策略偏移的约束。

对于具有明确理论条件的算法，本节优先说明正确性、最优性、收敛性或复杂度的前提；对于以实验建立有效性的学习模型，则区分训练指标、验证指标、消融实验和最终任务结果。任何数值都应绑定数据集、模型版本、硬件或搜索预算，不能脱离实验条件泛化。

7. 课程主线与事实核查

课程知识主线。 根据原 ASR，可以确认本讲的教学主线集中在 Actor-Critic、critic、baseline、advantage、TD error 及其相互关系。课程中的逐图指点、重复设问、口头自我修正和非技术性铺垫均已删除；保留下来的知识被重排为“问题定义—形式化—算法/模型机制—评价—边界”的书面结构。

外部扩充边界。 外部检索材料只用于补充标准定义、原始论文结果、算法成立条件和后续技术发展；它们不会被反向写成讲师原本展示过的 PPT 参数。对纯 ASR 无法唯一恢复的图中数字、箭头和公式局部符号，正文只保留能够由上下文与权威资料共同确认的技术关系。

8. 局限与实践边界

任何课程级算法都存在适用条件。工程使用时必须重新检查数据或状态分布、目标函数、计算预算和评价协议，而不是机械复制示例超参数。随机方法应报告随机种子、重复试验与预算；学习模型应严格区分训练、验证和测试；搜索算法应明确最优性前提、重复状态处理和资源上限。

本讲涉及的核心对象之间通常存在明确折衷：更强的表示或估值可能增加计算成本，更激进的剪枝或近似可能损失保证，更复杂的模型可能需要更多数据和正则化。正式结论因此应表述为“在给定假设和评价条件下有效”，而不是无条件优于其他方法。

9. 展望

进一步方向包括离线 RL、model-based RL、多智能体学习以及更稳定的策略优化。大型语言模型后训练又引入长序列信用分配、可验证奖励和 preference optimization 等新问题。

后续技术是否构成真正改进，应使用与当前方法可比的基准、预算和评价协议验证。对于快速演进的软件或模型版本，正文只把稳定原理写入主结论，把易变化的工程参数视为版本性信息。

10. 结论

“Actor–Critic：策略网络、价值基线与优势函数”应被理解为由Actor-Critic、critic、baseline、advantage、TD error共同构成的完整技术问题，而不是若干课堂操作的顺序记录。论文式说明必须同时回答方法解决什么问题、基于何种假设、如何计算、怎样评价以及在哪些条件下可能失效。经过 ASR 主线提取、英文一手资料检索和事实核查后，本章将原有口语课程转换为可独立阅读、可追溯来源且信息密度更高的正式技术文本。

参考文献与核查来源

  1. Sutton & Barto. Reinforcement Learning: An Introduction, 2nd ed.. source.
  2. Schulman et al. (2017). Proximal Policy Optimization Algorithms. source.

生成流程：ASR 知识主线提取 → 论文式重构 → 英文一手资料检索与交叉核验 → 技术扩充 → SVG/表格/MathJax 排版。正文采用 UTF-8。MathJax 通过 CDN 加载；无网络时 LaTeX 源码仍保留，但完整数学排版需要可访问 MathJax。