【深度强化学习】TRPO、PPO

策略梯度的缺点

• 步长难以确定，一旦步长选的不好，就导致恶性循环
  $$步长不合适\to 策略变差\to 采集的数据变差\to （回报/梯度导致的）步长不合适$$

• 一阶信息不限制步长容易越过局部最优，而且很难回来
  

TRPO 置信域策略优化

思想：

• 步子不要太大，应该保证更新在某个邻域内 $||\theta -{\theta }_{old}||<\Delta$（或者$\mathrm{KL}({\pi }_{\theta }(\cdot |\cdot )),{\pi }_{{\theta }_{old}}(\cdot |\cdot ))<\Delta$）
• 利用二阶信息估计邻域 $\mathcal{N}({\theta }_{old})$ 内的 $\theta$

步骤

1. 对循环的每一步，用 ${\theta }_{old}$ 策略采样一条轨迹（MC 思想）
2. 对每一个轨迹位置，都计算它们的折扣回报 $G_i$
3. 用采样的样本估计期望作为近似的目标函数$L(\theta |{\theta }_{old})$（除以${\pi }_{old}$是因为重要性采样）
   $$L(\theta |{\theta }_{old})={\mathbb{E}}_{a_i\sim \pi }[\pi (a_i|s_i;\theta )G_i]$$
   $$L(\theta |{\theta }_{old})={\mathbb{E}}_{a_i\sim {\pi }_{old}}[\frac{\pi (a_i|s_i;\theta )}{\pi (a_i|s_i;{\theta }_{old})}{G}_i]$$
4. 利用某种（二阶）优化方法（涉及 Fisher Information Matrix、共轭梯度法）求邻域内的能够最大化近似代价函数的最大值
   

优势：

• 训练更稳定，收敛曲线不会剧烈波动，而且对超参数不敏感
• 样本有效，用更少的经验就能达到和 PG 相同的表现

缺点：

• 重要性采样：除法引起高方差
• 有约束优化问题，不容易优化

PPO 近端策略优化

PPO 实际上就是为了解决 TRPO 的这两个问题而提出的，做的改进是：

• Clip 截断重要性采样的值，防止过大（类似于梯度截断）
  $$\mathrm{Clip}\left\{\frac{\pi (a_i|s_i;\theta )}{\pi (a_i|s_i;{\theta }_{old})},1-ϵ,1+ϵ\right\}$$
• KL散度条件转为无约束，自适应$\beta$超参
  $$\underset{\theta }{\max }L(\theta |{\theta }_{old})-\beta \mathrm{KL}(\theta |{\theta }_{old})$$

总结

策略梯度
REINFORCE （MC，从梯度上升开始、除以$\pi$变成 Ln）

REINFORCE → 基线 REINFORCE （MC，$G-v(s)$）→ Actor-Critic（TD，$r+\gamma v(s)-v(s^{\prime })$）
REINFORCE → TRPO （有约束、二阶信息）→ PPO（有约束转无约束、截断重要性）
REINFORCE → …

More

https://spinningup.openai.com/en/latest/algorithms/trpo.html
https://jonathan-hui.medium.com/rl-the-math-behind-trpo-ppo-d12f6c745f33
https://towardsdatascience.com/trust-region-policy-optimization-trpo-explained-4b56bd206fc2