全称是generalized advantage estimator，几乎所有最先进的policy gradient算法实现里面都使用了该技术，适合高维状态，一般都是PPO+GAE。
该算法主要改进在于对A的估计。
优势函数可以写成如下：
一步的优势函数进一步展开为：
其中V 的值都是估计的，因此A的估计存在偏差。
优势函数的2步估计及无穷步估计分别为：
可以看到，随着步数的增加，V的比重逐渐减少，所以不准确的影响也在逐渐减少。
GAE的方法是改进对优势函数的估计，将偏差控制到一定的范围内。其方法是对优势函数进行多步估计，并将这些多步估计利用衰减因子进行组合。具体是这样做的：
当λ=0时，GAE的形式就是TD误差的形式，有偏差，但方差小。 λ=1时就是蒙特卡洛的形式，无偏差，但是方差大。
所以我们就可以选个合适的λ值来对偏差和方差做一个权衡了。进而去估计最终的策略梯度。
其实就是PG类算法增加了一个超参数，可以更精确手动调参了。
参考：
Actor-Critic算法小结 - 知乎闲言碎语：上周末圆满完成第二次线下培训课程，为了优化课程，着实花费了不少心血，包括自己动手开发了配套的代码程序，重新做了新的ppt……, 虽然很累，但看到参加的同学反映收获很大，这些工作也算是值了。现在…
https://zhuanlan.zhihu.com/p/29486661GAE——泛化优势估计 - 知乎GAE主要是讲对优势函数At如何进行估计，网上讲这篇的很少，看着是相当地累了。。 1 Introduction在RL中，最大化policy的reward期望，一个关键问题是 动作与最终的奖励 往往具有较大的 时间延迟，在RL中这个问题被…https://zhuanlan.zhihu.com/p/356447099
3852
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
