【强化学习】PPO：近端策略优化算法

近端策略优化算法 《Proximal Policy Optimization Algorithms》

论文地址：https://arxiv.org/pdf/1707.06347.pdf

一、 置信域方法(Trust Region Methods)

​ 设${\pi }_{{\theta }_{old}}$是先前参数为${\theta }_{old}$的策略网络，${\pi }_{\theta }$则是当前待优化的策略网络，则TRPO的优化目标是：
$$\begin{array}{rl}& {\mathrm{maximize}}_{\theta }{\hat{\mathbb{E}}}_t\left[\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}{\hat{A}}_t\right]\\ & \mathrm{subjectto}{\hat{\mathbb{E}}}_t[\text{KL}[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]\le \delta \end{array}$$
其中，${\hat{A}}_t$是$t$时刻的优势函数估计值。$r_t(\theta )=\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}$是用来控制新旧策略的差异，若差异到则会增加更新幅度，反之则降低更新幅度。约束条件则是新旧策略函数的KL散度，该约束会控制新旧策略的差距不会太大。但是，求解这个带约束的优化问题实现复杂且计算量大。

​ 理论上证明TRPO在实践中，建议使用惩罚项而不是约束，即转换为无约束优化问题。
$${\mathrm{maximize}}_{\theta }{\hat{\mathbb{E}}}_t[\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}{\hat{A}}_t-\beta \text{KL}[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]$$
其中，$\beta$是超参数。TRPO使用硬约束而不是惩罚项，是因为很难选择单个$\beta$在所有不同问题上均表现良好。实验也表明，简单选择固定的惩罚系数$\beta$并用SGD优化惩罚目标是不够的，需要额外的修改。

二、Clipped Surrogate Objective

​ 由于$r_t(\theta )=\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}$，显然$r_t({\theta }_{old})=1$。TRPO最大化”代理“目标函数：
$$L^{\text{CPI}}(\theta )={\hat{\mathbb{E}}}_t\left[\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}{\hat{A}}_t\right]={\hat{\mathbb{E}}}_t[r_t(\theta ){\hat{A}}_t]$$
在没有约束的情况下，最大化$L^{\text{CPI}}$有可能会大幅度更新策略；因此，需要修改目标函数来惩罚$r_t(\theta )$远离1。

​ 因此提出目标函数
$$L^{\text{CLIP}}(\theta )={\hat{\mathbb{E}}}_t[\min (r_t(\theta ){\hat{A}}_t,\text{clip}(r_t(\theta ),1-ϵ,1+ϵ){\hat{A}}_t]$$
$ϵ$截断超参数，通常设置为0.2。$\text{clip()}$代表截断函数，负责将$r_t$限制在$[1-ϵ,1+ϵ]$，以保证收敛性。最后，使用无截断和截断目标函数的最小值，从而形成未截断目标函数的下界。

​ 优势函数A可以分为正负两种情况。若优势函数为正，当$r_t>1+ϵ$时，将不提供额外的奖励；若优势函数为负，当$r_t<1-ϵ$时，同样不提供额外的奖励，这样就能限制新旧策略的差异。

三、自适应KL惩罚系数

​ 另一种代替或者补充clipped surrogate objective的方案是使用KL散度惩罚，并调整惩罚系数，每次策略更新时使得KL散度$d_{\text{targ}}$达到某个目标值。在作者的实验中，KL惩罚的表现要差于clipped surrogate objective，但其可以作为重要的baseline。

​ 在每次策略更新中执行下面的步骤：

• 利用若干个minibatch SGD的epochs，优化KL惩罚目标
  $$L^{\text{KLPEN}}(\theta )={\hat{\mathbb{E}}}_t[\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}{\hat{A}}_t-\beta \text{KL}[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]$$

• 计算$d={\hat{\mathbb{E}}}_t[\text{KL}[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]$

  若$d<d_{\text{targ}}/1.5,\beta \leftarrow \beta /2$

  若$d>d_{\text{targ}}\times 1.5,\beta \leftarrow \beta \times 2$

​ 更新后的$\beta$用于下一次的策略更新。

四、完整算法

​ 前面推导的surrogate损失函数能够在典型的策略梯度上简单改动即可实现。大多数的优势函数都使用一个可学习的状态价值函数$V(s)$。若策略网络和价值网络共享神经网络架构，那么需要使用一个结合了策略函数和值函数误差项的损失函数。目标函数可以进一步添加熵正则来确保充分的探索。合并这些项，就能够获得下面的目标函数：
$$L^{\text{CLIP+VF+S}}(\theta )={\hat{\mathbb{E}}}_t[L_t^{\text{CLIP}}(\theta )-c_1{L}_t^{\text{VF}}(\theta )+c_{2}S[{\pi }_{\theta }](s_t)]$$
其中，$c_1$和$c_2$是控制各个项比例的超参数，$S$是熵正则项，$L_t^{\text{SF}}$是均方误差损失$(V_{\theta }(s_t)-V_t^{\text{targ}}{)}^2$。