本文主要是介绍【深度强化学习】策略梯度方法：REINFORCE、Actor-Critic，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！
参考
Reinforcement Learning, Second Edition
An Introduction
By Richard S. Sutton and Andrew G. Barto
非策略梯度方法的问题
之前的算法，无论是 MC，TD，SARSA，Q-learning， 还是 DQN、Double DQN、Dueling DQN，有至少两个问题：
- 都是处理离散状态、离散动作空间的问题，当需要处理连续状态 / 连续动作的时候，如果要使用这些算法，就只能把状态 / 动作离散化处理，这会导致实际相邻的 Q ( s , a ) Q(s,a) Q(s,a) 的值没有联系，变化不光滑，并且随着离散空间变大，max 的比较操作需要的计算量增大，这导致不能把离散化的分辨率无限地增高。
- 都利用对 V π V_\pi Vπ 或 Q π Q_\pi Qπ 取 arg max a \argmax_a argmaxa 来得到策略 π \pi π，会导致只会选最优的动作，尽管有次优的动作，算法也不会去选，只会选最好的，在某些需要随机性的场景（如：非完全信息博弈（军事、牌类游戏））会产生大问题，因为行为比较有可预测性，很容易被针对。（即使有 ϵ \epsilon ϵ-贪心）
在非完全信息的纸牌游戏中，最优的策略一般是以特定的概率选择两种不同玩法，例如德州扑克中的虚张声势
策略梯度
策略梯度可以同时解决以上两个问题。
我们将策略参数化为 π ( a ∣ s , θ ) \pi(a|s, \theta) π(a∣s,θ)（可以是简单的线性模型+softmax，也可以是神经网络），这个策略可以被关于 θ \theta θ求导： ∇ θ π ( a ∣ s , θ ) \nabla_\theta \pi(a|s,\theta) ∇θπ(a∣s,θ)，简写为 ∇ π ( a ∣ s ) \nabla \pi(a|s) ∇π(a∣s)
策略梯度的直觉
我们实际上想找到一个更新策略 π ( a ∣ s , θ ) \pi(a|s,\theta) π(a∣s,θ) 的方法，它在 θ \theta θ参数空间里面：
- 如果往一个方向走，能对给定的 ( s t , a t ) (s_t,a_t) (st,at)获得正的回报 G t G_t Gt，就往这个方向走，并且回报绝对值越大走的步子越大
- 如果往一个方向走，能对给定的 ( s t , a t ) (s_t,a_t) (st,at)获得负的回报 G t G_t Gt，就不往这个方向走，并且回报绝对值越大走的步子越大
和梯度下降类似，可以得到：
θ t + 1 ← θ t + α G t ∇ π ( a t ∣ s t ) \theta_{t+1} \leftarrow \theta_t + \alpha G_t \nabla \pi(a_t|s_t) θt+1←θt+αGt∇π(at∣st)
除以 π \pi π 变成 Ln
单纯这样更新会有问题，因为如果 π \pi π被初始化为存在一个次优动作（具有正回报），并且概率很大，而最优动作的概率很小，那么这个次优动作就很可能被不断地强化，导致无法学习到最优动作。
因此我们要除一个动作的概率，得到修正后的版本：
θ t + 1 ← θ t + α G t ∇ π ( a t ∣ s t ) π ( a t ∣ s t ) \theta_{t+1} \leftarrow \theta_t + \alpha G_t \frac{\nabla \pi(a_t|s_t)}{\pi(a_t|s_t)} θt+1←θt+αGtπ(at∣st)∇π(at∣st)
也就是
θ t + 1 ← θ t + α G t ∇ ln π ( a t ∣ s t ) \theta_{t+1} \leftarrow \theta_t + \alpha G_t \nabla \ln{\pi(a_t|s_t)} θt+1←θt+αGt∇lnπ(at∣st)
REINFORCE
如果这个 G t G_t Gt 是由 MC 采样整个序列得到的，那么就得到了 REINFORCE 算法：
带基线的 REINFORCE
唯一的区别：TD target 从 G t G_t Gt 变成 G t − v ^ ( S t , w ) G_t - \hat v(S_t,\mathbf{w}) Gt−v^(St,w)，并且多一个价值网络，也进行跟更新。
好处：
- 减小方差
- 加快收敛速度
基线的直觉：
把 TD target 从全为正变成有正有负，更新的时候更有区分度。
Actor-Critic
再把 TD target 变化一下，从多步（MC）变成单步（TD），其他和 REINFORCE 一样。
之所以叫做 Actor-Critic 就是把基线 v ^ ( S , w ) \hat v(S,\mathbf{w}) v^(S,w) 当作评论家，它评价状态的好坏；而 π ( A ∣ S ) \pi(A|S) π(A∣S) 当作演员，尝试去按照评论家的喜好（体现为 TD target 用评论家来进行估计）来做动作。
总结
REINFORCE：MC，更新慢
δ = G t \delta =\red{ G_t} δ=Gt
θ t + 1 ← θ t + α δ ∇ ln π ( A t ∣ S t ) \theta_{t+1} \leftarrow \theta_t + \alpha \delta \nabla \ln{\pi(A_t|S_t)} θt+1←θt+αδ∇lnπ(At∣St)
基线 REINFORCE：MC，更新慢，但是有基线，方差较小，收敛快，调参难度大一些
δ = G t − v ^ ( S t , w ) \delta = \red{G_t-\hat v(S_{t},\mathbf{w})} δ=Gt−v^(St,w)
w t + 1 ← w t + α w δ ∇ v ^ ( S t ) \blue{\mathbf{w}_{t+1} \leftarrow \mathbf{w}_t + \alpha_{\mathbf{w}} \delta \nabla {\hat v(S_t)}} wt+1←wt+αwδ∇v^(St)
θ t + 1 ← θ t + α θ δ ∇ ln π ( A t ∣ S t ) \theta_{t+1} \leftarrow \theta_t + \alpha_{\theta} \delta \nabla \ln{\pi(A_t|S_t)} θt+1←θt+αθδ∇lnπ(At∣St)
Actor-Critic：TD，更新快，调参难度大一些
δ = R t + γ v ^ ( S t ′ , w ) − v ^ ( S t , w ) \delta = \red{R_t+\gamma \hat v(S'_{t},\mathbf{w})-\hat v(S_{t},\mathbf{w})} δ=Rt+γv^(St′,w)−v^(St,w)
w t + 1 ← w t + α w δ ∇ v ^ ( S t ) \blue{\mathbf{w}_{t+1} \leftarrow \mathbf{w}_t + \alpha_{\mathbf{w}} \delta \nabla {\hat v(S_t)}} wt+1←wt+αwδ∇v^(St)
θ t + 1 ← θ t + α θ δ ∇ ln π ( A t ∣ S t ) \theta_{t+1} \leftarrow \theta_t + \alpha_{\theta} \delta \nabla \ln{\pi(A_t|S_t)} θt+1←θt+αθδ∇lnπ(At∣St)
这篇关于【深度强化学习】策略梯度方法：REINFORCE、Actor-Critic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！
