1. 介绍
首先了解一下策略梯度法,之后再对DPG和DDPG两篇论文进行学习。
2. 梯度策略法
梯度策略法 ( Policy Gradient Methods ) 英文好的同学移步这里看原文。
增强学习的基础那一套这里就不说了,策略梯度允许我们直接通过参数对策略建模,并且通过reward来直接对策略进行更新,以最大化,也就是累积reward。
那么重点就是如果计算策略梯度(Policy Gradient)。
2.1 Finite-difference Methods
有限差分法。
算法如下:
对策略参数,产生一个扰动,之后根据扰动后的策略参数得到一个estimates 。这里的是reference value,它有不同的选择。
那么policy gradient estimate 就可以通过回归问题求解
这里推导思路是:将estimate的策略梯度,也就是作为回归中的,将进行泰勒一阶展开,这里选择,发现它等于真实梯度乘。那么问题就类似于线性回归,也就得到了上面的公式。
这个方法感觉简单,限制很少(捂脸),但是扰动的选择会是个问题。由于我对这个方法了解非常少,就不多说啦。
缺点:
- 扰动可能做不到
- 很难探索
- 对于随机系统,非常慢
2.2 Likelihood Ratio Methods 和 REINFORCE
这种方法是非常非常重要的。
公式如下:
求期望可以通过采样来近似,重要的是的计算不需要分布的相关知识:
这里就省去了转换函数的计算,也就不需要模型来对转换函数进行建模来。
然而如果我们使用的是确定性策略:,那么就需要计算:
为了减少gradient estimator的variance,通常会加一个baseline。
算法如下:
2.3 Natural Policy Gradients
我们在计算梯度的时候,通常是期望参数在梯度的方向,移动一小段距离。但是这个距离的度量,我们通常是在欧式空间下的。
然后,度量两个分布之间的相似性,有多种方式:KL divergence, Hellinger distance等。大多数的距离可以通过二阶泰勒展开进行近似:
例如:
是Fisher信息矩阵。
为了尽可能使得参数更新接近梯度,并且移动的距离满足一定的条件,可以优化下面问题:
,
solution为:
我们可以这样解释natural gradient:选择参数的更新量,是的策略的分布的变化为一个定值。
- Reference
https://www.ias.informatik.tu-darmstadt.de/uploads/Research/MPI2007/MPI2007peters.pdf
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.70.4294&rep=rep1&type=pdf
http://home.deib.polimi.it/restelli/MyWebSite/pdf/rl7.pdf
3. DPG 算法
论文链接
3.1 Policy gradient theorem
https://lilianweng.github.io/lil-log/2018/04/08/policy-gradient-algorithms.html
首先我们先给出policy gradient theorem。从前面我们已经知道了,的计算取决于两个部分:一个是动作的选择,因为动作取决于,也就是策略(policy);一个是状态转移函数:,因为它也间接地取决于策略。但是通常情况下,环境是未知的,所以我们无法求解。
但是policy gradient theorem告诉我们,梯度求解不需要知道环境信息:
可以看到,求导只是对于。
3.2 证明
首先是reward函数的定义:
给出价值状态函数的导数:
第一行通过展开价值函数
第二行通过乘积的求导法则
第三行是的展开
第四行,reward不是的函数
第五行,将reward求和
所以我们得到了下面公式:
红色部分显示了这是一种递归的形式。
用表示求和的第一个部分,然后对第二部分进行展开。
带入到reward function:
这里是 1 ?表示任意状态开始,经历任意步数,到达任意状态??
这里证明就结束了,进一步可以表示为:
总结一下,Policy gradient theorem就说了一件事:策略梯度和状态分布无关。
3.3 DPG
回到我们的DPG算法,论文在背景介绍里提到了一些随机策略梯度的算法
- Stochastic Actor-Critic Algorithms: 用一个critic函数来拟合。
- Off-policy Actor-Critic: 通过来修改,通常是使用behavior policy来产生轨迹,也就是,使用critic来计算价值换上。由于两个策略的不同,需要importance sample ratio。公式如下:
3.4 确定性策略的梯度
Gradients of Deterministic Policies。
这里的策略不同于随机策略,采用的是确定性策略:。在连续的动作,状态空间下,我们期望策略能够沿着值的梯度运动,达到最大化的目的。也就是希望参数的变化量,正比于。对于不同的状态,取平均即可,公式如下:
用动作代替公式中的,根据链式求导,得到下面公式:
显然,它是策略对策略参数的导数,和Q对动作的导数的组合。通常来讲,是一个Jacobian矩阵,它的第列表示的是,第维的动作空间,对策略参数的导数。然而,策略的改变会导致期望里状态分布的改变,因此,我们无法认为,这个更新会改善策略。
3.5 Deterministic Policy Gradient Theorem
作者这里主要是证明了像随机策略梯度一样,确定性策略梯度也同样不需要计算状态分布的梯度。也就是下面公式:
证明作者放在了附录里面,这里给出地址
http://proceedings.mlr.press/v32/silver14-supp.pdf
作者还证明了,在随机策略的方差趋近于零的时候,随机策略趋近于确定性策略,并且随机策略的梯度,趋近于确定性策略的梯度。
3.6 确定性策略梯度算法
在拥有了确定性策略梯度定理之后,作者给出了一些确定性actor-critic的算法。
-
On-policy Deterministic Actor-Critic:更新公式如下:
可以看出来,值的更新采用的是Sarsa,所以它是on-policy。
-
Off-policy Deterministic Actor-Critic:更新公式如下:
可以看出它和on-policy的区别在于的更新,它采用的是Q-learning的方式。
3.7 Compatible Function Approximation
通常来说,使用一个近似值不一定会使得前面的确定性策略梯度近似于真实梯度。但是我们可以找到一组compatible function approximation,使得可以被代替。
定理如下:
对于任意的确定性策略,总存在compatible function approximator:,其中可以是任何独立于动作的可微分函数。通常将第一项解释为advantage function,第二项解释为价值函数。
4. DDPG
论文地址
DDPG我理解其实就是 DPG + DQN
4.1 Why DDPG
DQN可以用于处理类似于图片,视频的非常高维度的输入,或者说obervation space,但是无法处理连续的输出,也就是动作空间。
DPG可以用于连续的动作空间,深度学习可以处理高维度的观察空间,两者结合起来就得到了DDPG。
同时采用了DQN的一些做法:1. replay buffer, 2. target Q network。
4.2 DDPG
首先回顾一下DPG,它有个actor函数:,给定策略下的状态,直接返回一个确定性的动作,它还有一个critic:,可以通过Q-learning或者sarsa来进行学习。
Actor的更新公式如下:
如果使用神经网络来作为estimator,就得到了Deep DPG(DDPG)。我们知道,神经网络使用梯度下降,也就要求样本是独立,同分布的。但是,显然增强学习中通过agent探索的方式得到的sample,关联性很强。
类似于DQN,作者使用replay buffer来克服这个问题。也就是用一个经验池,里面存放了一堆,之后再从这个池子里面采样作为样本输入神经网络训练。
由于在Q-learning中,被更新的Q同时被用于了计算目标Q值,所以会导致不稳定。因此类似DQN,作者使用了target网络,。使用target网络来计算目标值。
更新目标网络参数时,采用:。
为了引入exploration,作者使用了exploration policy。
最终,算法如下: