Actor crtic算法的思路，流程如下图所示
actor critic算法伪代码如下图所示
其中，critic使用基于值函数近似的方法，近似函数为线性函数，参数为w ，为TD error
根据DQN中的参数更新公式
所以有critic的参数更新公式如下图倒数第四行表示
actor使用策略网络，参数为，根据策略梯度公式
注意！！！！！！AC算法中，actor使用的策略网络 更新参数公式中的Q是critic中近似函数估计出来的Q值，即actor更新参数中的Q，并不是原始策略梯度公式中的Q（基于自己的策略网络的Q）
我想 这一步就是“actor以critic的打分作为自己的行为准则”的体现
还需要注意一点的是，AC算法的顺序很重要，因为更新actor的参数时，需要用到critic值函数近似的参数w，所以先更新actor的参数，再更新w
因为actor更新策略参数时，用的value function并不是真实的Q值，所以会有一定的bias，但如果用真实无BiasQ值，采用蒙特卡洛回合更新的思路，则又回到了REINFORCE算法。AC算法中虽然有可能存在bias的地方，但是可以单步更新策略网络的参数，而无需等到回合结束