深度强化学习中的NAF算法-连续控制（对DQN的改进）

DQN算法以及之前的种种改进都是面向离散的action的，DQN算法没有办法面向连续的action，因为Q值更新的时候要用到求最大的action。

本来DQN主要是输出Q值的，aciton是通过argmax顺便实现的，但是现在NAF需要用神经网络输出了，那么就是同时输出Q 和 a。

基本的idea就是引入了Advantage函数A（s,a），也就是每一个动作在特定状态下的优劣。

P为正

上式是A的矩阵表示，也就是一个二次型。其中x是状态，u是动作，mu是神经网络的输出动作。

那么令,也就是

即

后面十分复杂， 还是直接看别人的文章吧

https://zhuanlan.zhihu.com/p/21609472?refer=intelligentunit

不过要解释下u 和 μ [不过我还没看懂]