强化学习入门（二）：on-policy与off-policy

一、名词解释即引入原因

1、名词解释：

翻译过来就是：
On-policy: 学习到的agent以及和环境进行互动的agent是同一个agent
Off-policy: 学习到的agent以及和环境进行互动的agent是不同的agent

直观理解就是：
On-policy：相当于你在打游戏，你在实战中变强。
Off-policy：相当于你在看直播，你在观摩中变强。

2、为何要引入 Off-policy：

为了避免不停地sample（这会很耗时间）

如果我们使用 ${\pi }_{\theta }$ 来收集数据，那么参数$\theta$ 被更新后，我们需要重新对训练数据进行采样，这样会造成巨大的时间消耗。

引入Off-policy后，可以利用 ${\pi }_{\theta }\prime$来进行采样，将采集的样本拿来训练 $\theta$ ， $\theta \prime$ 是固定的，采集的样本可以被重复使用，就避免了反复采样。

二、Off-policy实现

1、Off-policy原理

我们假设x来自于p分布，但是现在我们要用q分布来进行学习，那么可以将期望公式进行如下修正

这样就将从p中采样转化为了从q中采样，进而实现了使用q分布来计算p分布期望值。

2、注意事项

两个分布p，q之间的差别不能太大，否则方差会出现较大的差别。

原因如下：
先基于原始的分布p计算函数的方差，然后计算引入不同分布q之后得到的函数方差，可以发现两者得出的方差表达式后面一项相同，主要差别在于前面那一项，如果分布p和q之间差别太大，会导致第一项的值较大或较小，于是造成两者较大的差别。

举个例子来演示一下
如下图所示，实际分布p和辅助分布q差别较大，横轴左边表示收益为负，右边表示收益为正。蓝色的线表示真实分布p的分布，主要集中在左边，也就是说，真实情况下reward的期望值应该是负的。
但是在对q采样的时候，如果采样次数不够多，很可能只能采到右边几个点，而期望就是正的了。
但如果采样次数够多的话，如果能采到A点，因为A点的p(x)/q(x)很大，也可能得到正确的负值。

3、具体实现

将上一篇博客中讲到的On-policy的公式按照上面的原理进行修正，就可以得到Off-policy的公式：

1、下图中的A就是前篇博客中的Reward-b，即Advantage function (收益reward减去基准baseline) 也应该随着新的采样参数而变化（从基于$\theta$的$A^{\theta }$ 变为基于${\theta }^{\prime }$ 的$A^{{\theta }^{\prime }}$ ）
2、在不同的参数情况下，某一个状态state出现的概率几乎没有差别，因此可以将这一项近似地消掉

进而可以得到Off-policy的损失函数

stop criteria取决于两个分布之间的差别大小。

$\theta$和${\theta }^{\prime }$是不能差太多的，不然结果会不好，那么怎么避免它们差太多呢?
这就是下一篇要介绍的PPO所在做的事情。

参考：
https://blog.csdn.net/cindy_1102/article/details/87905272