基于Pytorch的强化学习(DQN)之 Baseline 基本概念

目录

1. 引言

2. 数学推导

2.1 引理

2.2 改进的策略梯度

2.3 蒙特卡罗模拟

3. baseline的选择

---

1. 引言

我们前面讲过策略梯度下降算法 ，现在来介绍一种加快收敛速度的方法：设置Baseline。

2. 数学推导

我们之前推导过状态价值函数梯度的公式 ，以下证明源于这个公式。

2.1 引理

我们先证明一个引理： 其中  是不依赖于  的量

这个 引理告诉我们：只要我们找到一个不依赖于  的量  ，就有 

2.2 改进的策略梯度

由  与  我们得到 

这样我们便得到了策略梯度的新的表达式 

这里的  不依赖于  ，我们称之为baseline，过这种方法我们可以降低方差同时不改变均值来使算法收敛更快 

2.3 蒙特卡罗模拟

类似于之前训练策略网络，由于表达式 含有期望，不好计算，于是我们使用蒙特卡罗近似这个期望，引入

由于 ， 本质上是一个随机梯度，且是  的一个unbiased estimation，所以我们利用随机梯度上升更新参数，这样状态价值函数就会变大，也就是策略变得更优。

3. baseline的选择

我们知道只要  接近 ，的方差就会变小，收敛速度就会加快，因此我们要选取合适的  来加快收敛速度，有两种常见的baseline的选取

第一种是  也就是原始的策略梯度，之前已经讲过，就不再赘述。另一种是  ，由于  先于  出现，于是不依赖于  ，又由我们之前推导过的公式 

我们知道  是接近  的，这样便达到了减小方差的目的。