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

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

Spring 基于XML配置 bean管理 Bean-IOC的方法

《Spring基于XML配置bean管理Bean-IOC的方法》:本文主要介绍Spring基于XML配置bean管理Bean-IOC的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录一. spring学习的核心内容二. 基于 XML 配置 bean1. 通过类型来获取 bean2. 通过

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化

C++中初始化二维数组的几种常见方法

《C++中初始化二维数组的几种常见方法》本文详细介绍了在C++中初始化二维数组的不同方式,包括静态初始化、循环、全部为零、部分初始化、std::array和std::vector,以及std::vec... 目录1. 静态初始化2. 使用循环初始化3. 全部初始化为零4. 部分初始化5. 使用 std::a

如何将Python彻底卸载的三种方法

《如何将Python彻底卸载的三种方法》通常我们在一些软件的使用上有碰壁,第一反应就是卸载重装,所以有小伙伴就问我Python怎么卸载才能彻底卸载干净,今天这篇文章,小编就来教大家如何彻底卸载Pyth... 目录软件卸载①方法:②方法:③方法:清理相关文件夹软件卸载①方法:首先,在安装python时,下

电脑死机无反应怎么强制重启? 一文读懂方法及注意事项

《电脑死机无反应怎么强制重启?一文读懂方法及注意事项》在日常使用电脑的过程中,我们难免会遇到电脑无法正常启动的情况,本文将详细介绍几种常见的电脑强制开机方法,并探讨在强制开机后应注意的事项,以及如何... 在日常生活和工作中,我们经常会遇到电脑突然无反应的情况,这时候强制重启就成了解决问题的“救命稻草”。那