Asynchronous Methods for Deep Reinforcement Learning
论文提出了一种在deep neural network控制器的优化中，使用异步梯度下降来训练的方法。
异步RL框架
论文中，作者展示了one-step Sarsa, one-step Q-learning, n-step Q-learning和actor-critic的多线程异步版本。目的是为了寻找RL算法来训练深度的神经网络，同时保证可靠性和降低对资源的需要。
总体思路就是在一台机器上使用多个learner来异步学习，这些不同的learner能够探索环境的不同部分，也可以通过使用不同的探索的策略来最大化这种差异。同时，使用不同的策略使得每一个leaner对参数的梯度的相关性也大大下降。所以也就不需要replay memory（DQN）
异步one-step Q-learning
算法伪代码
目标网络参数
repeat
根据选取a
得到新的状态和reward
计算
梯度汇聚（不更新参数）
更新状态，时间
每过一段时间更新目标网络参数
每过一段时间异步更新参数
until
要点：
- 类似于DQN，在一段时间后，将当前的网络参数复制到目标网络中国呢
- 在一段时间后，将梯度求和用于更新网络参数，这样就模仿了minibatch
- 每一个learner对当前网络的参数的更新是异步的
diversity to exploration
异步one-step Sarsa
类似于异步one-step Q-learning，只是Q-learning使用来作为target value的估计值，而Sarsa使用
异步n-step Q-learning
与one-step不同，首先算法会根据exploration policy来选择action，知道次或者达到terminal state，因此我们会得到
个reward，接着算法会根据这些action， reward二元组，计算相应的梯度，最终进行一次参数的更新，算法伪代码在论文的附录中。
A3C
A3C，全称：asynchronous advantage actor-critic，算法维护了一个policy 和一个value function的估计值
，与n-step Q-learning类似，该算法同样采用了forward view，同样适用了n-step returns的组合来更新policy 和 value function。
优化算法
对于异步算法，optimization的方法非常重要，论文在附录材料中讨论了momentum SGD和RMSProp
对于 momentum SGD，每一个线程单独维护了 梯度，momentum，用于更新参数
对于RMSProp，作者对比了线程单独维护各自的和共同维护一个
，更perfer线程各自维护一个
，有些版本也会让所有线程共享一个
，但是异步更新它，并且不加锁
