目录
优势函数表达在状态s下，某动作a相对于平均而言的优势。
从数量关系来看，就是随机变量相对均值的偏差。
使用优势函数是深度强化学习极其重要的一种策略，尤其对于基于policy的学习。
定义如下：
以下是常见的激活函数，梯度学习时，可以发现：
1，Sigmoid一类的激活函数，x在两边时，函数趋于饱和；
2，在0附近曲线几乎线性，学习速率最大；
3，Relu一类的激活函数，函数随x无限增大，学习会变得响应过敏感，难以控制。
总之，输入x不能过大，否则学习会变得效率低，以至于学不到最优。
对于Sigmoid，归一化是将输入标准化到均值为0，方差为1的标准正态分布上，提高学习效率。
注意不必纠结归一化、标准化具体表述细节上，我们这里用归一化表达一种数据scale思想：不改变数据本质，将数据scale到可控范围而提高学习效率的手段。
优势函数其实就是将Q-Value“归一化”到Value baseline上，如上讨论的，这样有助于提高学习效率，同时使学习更加稳定；同时经验表明，优势函数也有助于减小方差，而方差过大导致过拟合的重要因素。
A3C、PPO的优势函数如下：
VPG、TRPO等的优势函数也可以选择以上估计方式；这都常见的近似方式是优势函数定义的有偏估计(but not too biased)，但可以接受。
优势函数的一般估计(GAE)
GAE借鉴了TD()思想，注意这里处理的是优势函数而不是Value Function，通过调整lambda，可以得到不同的近似估计。
大的思想一是Q(s,a)的近似，二是V(s)的表达，二者差表征优势函数A(s, a)。
两个特例是：
要特别注意，TD Residual是优势函数的一个不错的估计，但它们是两个概念，这很容易混淆，时序差分主要表达的是一种微分思想，优势函数描述的是一个相对量。
