强化学习第十章:Actor-Critic 方法

2024-08-28 08:04

本文主要是介绍强化学习第十章:Actor-Critic 方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

强化学习第十章:Actor-Critic 方法

  • 什么叫Actor-Critic
  • 最简单的AC,QAC(Q Actor-Critic)
  • 优势函数的AC,A2C(Advantage Actor-Critic)
  • 异策略AC,Off-Policy AC
  • 确定性策略梯度,DPG
  • 总结
  • 参考资料

什么叫Actor-Critic

一句话,策略由动作来执行,执行者叫Actor,评价执行好坏的叫Critic(Policy Evaluation)。

最简单的AC,QAC(Q Actor-Critic)

之前的REINFORCE(PG by MC)用的是MC来近似qπ,现在使用另一种方式TD:
在这里插入图片描述
熟悉的Critic,其实就是SARSA算法,Policy Update过程利用当前 wt更新 策略 参数θt ,然后Value Update过程更新wt,之前的 θt用来生成新的数据 ,这两个过程从VU过程开始想可能更好理解。

优势函数的AC,A2C(Advantage Actor-Critic)

  • 最简单的PG说起,
    在这里插入图片描述
    lnx的梯度=x的梯度/x,那么有
    在这里插入图片描述
    可以观察到:
    在这里插入图片描述
    这里的分子是qt(st, at),有啥改进方向吗?
  • 带基线的PG
    qt(st, at)是当前状态动作价值的 近似 ,如果减去一个 偏置项 ,或者说一个参考值,那么对于上面的 比例因子β 来说会 更准确 ,那么这个值是多少呢,如果没有减,那么就相当于0,对于状态动作价值来说,可能会想到的一个参考值就是 状态价值vπ(s)
    在这里插入图片描述
    这个值是最优的吗,实际上是次优的,最优的是下边的(计算复杂):
    在这里插入图片描述
    去掉复杂的计算,就是上面次 次优的基线 ,引入这样一个基线,对于 状态价值函数的近似(状态价值的期望)来说是没影响 的,也就说之前的方法 TD或MC还能用 ,但是能 减少近似的方差 。证明在赵老师书的P226。
  • 优势函数
    在这里插入图片描述
    这个为啥叫优势函数,当前的状态动作价值都大于状态价值的,该动作相对来说比较有优势,鼓励该动作,反之,抑制。
    对于这个优势函数,求期望可以得到:
    在这里插入图片描述
    那就可以将优势函数近似为TD-Error,熟悉的感觉来了:
    在这里插入图片描述
    伪代码(多了个优势函数的计算过程):
    在这里插入图片描述

异策略AC,Off-Policy AC

异策略,行为策略和更新的不是一个,就叫异策略,那么更新的策略就是之前的,那行为策略是谁,是β:
在这里插入图片描述
用给定策略β的采样来更新π的参数,为啥要这样做,这样做对吗。在有些 离线强化学习 情况下, 不能实时交互产生数据 ,这个时候就要用到这种方法,很明显 预采集 的数据的 策略当前策略不一样 的,不能直接使用,需要乘以一个 比例 ,代表之前采集到的数据对于当前策略更新的重要程度,这样就能使用了,但实际上两个策略之间的差距不能太大,后面的PPO会解决这个问题。
关于重要性采样的进一步理解:
在这里插入图片描述
具体比值的理解:
在这里插入图片描述

确定性策略梯度,DPG

到目前为止,学习了PG,AC这些 在线策略算法 ,样本效率(sample efficiency)比较低,当然,DQN和A2C也可以 离线学习 ,但是只能处理 动作离散 的情况,如果 本身连续进行离散 以适应算法,无法适应精确度要求高的任务,那么有没有 离线的,能处理连续动作空间 任务的算法呢,有那就是DPG。
假设给一个策略,输入状态,输出直接就是动作。
在这里插入图片描述
那DPG算法的优化函数是什么呢,跟PG一样,分析:

  • 平均状态价值Average value
    在这里插入图片描述
    这里的s的分布同样可能与策略相关(马尔科夫链平稳分布)或无关(固定值,只关心一些或某个状态)
  • 平均即时奖励 Average reward
    在这里插入图片描述
    经过求解两种评价的梯度,P236开始证明:
    在这里插入图片描述
    OK,梯度有了,梯度上升迭代式:
    在这里插入图片描述
    最终的伪代码(如果里面的qsa用神经网络来近似,那么就是DDPG):
    在这里插入图片描述

总结

从QAC到A2C再到离线A2C,最后的DPG为什么是离线的,注意解决的关键问题以及引入的手段。

参考资料

【强化学习的数学原理】课程:从零开始到透彻理解(完结)

这篇关于强化学习第十章:Actor-Critic 方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1114197

相关文章

macOS无效Launchpad图标轻松删除的4 种实用方法

《macOS无效Launchpad图标轻松删除的4种实用方法》mac中不在appstore上下载的应用经常在删除后它的图标还残留在launchpad中,并且长按图标也不会出现删除符号,下面解决这个问... 在 MACOS 上,Launchpad(也就是「启动台」)是一个便捷的 App 启动工具。但有时候,应

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法

《mysql出现ERROR2003(HY000):Can‘tconnecttoMySQLserveron‘localhost‘(10061)的解决方法》本文主要介绍了mysql出现... 目录前言:第一步:第二步:第三步:总结:前言:当你想通过命令窗口想打开mysql时候发现提http://www.cpp

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE

CentOS 7部署主域名服务器 DNS的方法

《CentOS7部署主域名服务器DNS的方法》文章详细介绍了在CentOS7上部署主域名服务器DNS的步骤,包括安装BIND服务、配置DNS服务、添加域名区域、创建区域文件、配置反向解析、检查配置... 目录1. 安装 BIND 服务和工具2.  配置 BIND 服务3 . 添加你的域名区域配置4.创建区域

mss32.dll文件丢失怎么办? 电脑提示mss32.dll丢失的多种修复方法

《mss32.dll文件丢失怎么办?电脑提示mss32.dll丢失的多种修复方法》最近,很多电脑用户可能遇到了mss32.dll文件丢失的问题,导致一些应用程序无法正常启动,那么,如何修复这个问题呢... 在电脑常年累月的使用过程中,偶尔会遇到一些问题令人头疼。像是某个程序尝试运行时,系统突然弹出一个错误提

电脑提示找不到openal32.dll文件怎么办? openal32.dll丢失完美修复方法

《电脑提示找不到openal32.dll文件怎么办?openal32.dll丢失完美修复方法》openal32.dll是一种重要的系统文件,当它丢失时,会给我们的电脑带来很大的困扰,很多人都曾经遇到... 在使用电脑过程中,我们常常会遇到一些.dll文件丢失的问题,而openal32.dll的丢失是其中比较

python中字符串拼接的几种方法及优缺点对比详解

《python中字符串拼接的几种方法及优缺点对比详解》在Python中,字符串拼接是常见的操作,Python提供了多种方法来拼接字符串,每种方法有其优缺点和适用场景,以下是几种常见的字符串拼接方法,需... 目录1. 使用 + 运算符示例:优缺点:2. 使用&nbsjsp;join() 方法示例:优缺点:3