🌞欢迎来到图解强化学习的世界 🌈博客主页：卿云阁
💌欢迎关注🎉点赞👍收藏⭐️留言📝
📆首发时间：🌹2026年5月22日🌹
✉️希望可以和大家一起完成进阶之路！
目录
DDPG算法的基础认识
DDPG的网络结构
网络更新
手算DDPG
DDPG算法的基础认识
DDPG 全称：Deep Deterministic Policy Gradient
深度确定性策略梯度，专门解决连续动作空间强化学习问题。
DDPG的网络结构
Actor 网络（策略网络）：
输入：状态 s 输出：确定性动作 a
Target Actor 网络（目标策略网络）：
输入：下一个状态 s' 输出：下一个确定性动作 a'
Critic 网络（Q 网络）：
输入：状态 s + 动作 a 输出：Q 值 Q (s,a)
Target Critic 网络（目标 Q 网络）：
输入：下一个状态 s' + 下一个动作 a' 输出：目标 Q 值 Q_target (s',a')
网络更新
Critic的更新
目的：让在线 Critic预测的 Q 值，尽可能贴合真实长期收益。
（1）使用经验回放缓冲区（Experience Replay）从中采样一批经验 (s, a, r, s')，即：当前状态、
动作、奖励、下一个状态。
（2）计算目标 Q 值（y_i）：使用 Target Actor 网络 根据下一个状态 s' 生成下一个动作 a'，
再使用 Target Critic 网络 估计 Q_target(s', a')，最终结合折扣因子计算目标 Q 值：
y_i = r + γ * Q_target(s', a')
（3）使用均方误差损失函数（MSELoss）更新 在线 Critic 网络 的参数，使得 Critic 网络预测的
Q (s,a) 尽可能逼近 目标 Q 值 y_i。
Actor的更新：
目的：让在线 Actor 输出的策略动作，尽可能最大化在线 Critic 评估的 Q 值，持续优化决策策
略。
（1）从经验回放缓冲区中采样一批状态样本 s。
（2）将当前状态 s 输入在线 Actor 网络，得到网络输出的策略动作 (a=(s))。
（3）将状态 s 与 Actor 输出动作 a 输入在线 Critic 网络，得到当前策略对应的评估 Q 值
(Q(s,a))。
（4）依据确定性策略梯度原理更新在线 Actor 网络参数，通过最大化 Critic 输出的 Q 值，不断优
化策略，使智能体在当前状态下输出更优的连续动作。
目标Actor和目标Critic
软更新（Polyak Averaging），每训练一步，把当前网络的参数缓慢 “挪一点点” 到目标网络，目
标网络参数始终更稳定、更平滑。目标网络保留 99.5% 自己原来的参数，只吸收 0.5% 来自当前
网络的新参数。
完整的结构：
手算DDPG
演员网络（策略网络）
输入：
state = [
0.12, # x 横坐标
1.45, # y 高度
-0.05, # vx 水平速度
-0.30, # vy 垂直速度
0.08, # 角度
-0.02, # 角速度
0.00, # 左腿未触地
0.00 # 右腿未触地
]
输出：
action = tanh(0.73) ≈ 0.62
评论家网络（价值网络）
输入 1：状态 state（8 个数字，飞船状态）
state = [
0.12, # x 坐标
1.45, # y 高度
-0.05, # vx 水平速度
-0.30, # vy 垂直速度
0.08, # 角度
-0.02, # 角速度
0.00, # 左腿未触地
0.00 #右腿未触地
]
输入 2：动作 action（1 个数字，来自 Actor）
action = [0.62] # 范围一定在 [-1, 1]
最终输出
q_value = 12.73
输入：8 个状态数字 + 1 个动作数字
输出：1 个 Q 值分数（评价这个动作好不好）
动作选择（choose_action）
观测（状态）：随便给一组 8 维数字 observation = [0.1, 0.2, 0.05, -0.3, 0.02, -0.01, 0, 0]
Actor 输出（前向传播后）：假设算出 0.4
噪声标准差：action_noise = 0.1
随机噪声：假设抽到 0.07（正态分布）
如果在测试阶段：a=0.4
如果在训练阶段：a=0.4+0.07=0.47
a=clip(0.47, −1, 1)=0.47
为了在训练时通过加噪声来探索环境、找到更好策略，同时在测试时直接使用确定性动作，保
证策略稳定可靠，所以设计了训练/测试两种模式。
网络更新
1️⃣ 计算目标 Q 值（target）
next_actions = target_actor(s') → 0.38
q_ = target_critic(s', next_actions) → 10.0
target = r + gamma * q_
target = 2.5 + 0.99 * 10.0
target = 2.5 + 9.9
target = 12.4
2️⃣ 计算当前 Q 值
q = critic(s, a) → 10.0
3️⃣ 计算 Critic 损失（均方误差）
critic_loss = MSE(q, target) = (q – target)²
critic_loss = (10.0 – 12.4)²
critic_loss = (-2.4)²
critic_loss = 5.76
反向传播：更新 Critic，让 q 逼近 12.4
4️⃣ 计算 Actor 损失
new_actions = actor(s) → 0.4
q = critic(s, new_actions) → 10.0
actor_loss = -q
actor_loss = -10.0
反向传播：更新 Actor，让 q 越大越好！
5️⃣ 软更新目标网络
target_actor = 0.005 * actor + 0.995 * target_actor
target_critic = 0.005 * critic + 0.995 * target_critic
目标Q值 target = 12.4
Critic 损失 = 5.76
Actor 损失 = -10.0
DDPG 是「单步采样、按批次更新」的方式。
