[论文笔记] chatgpt系列 1.1 PPO算法(Proximal Policy Optimization)

Proximal Policy Optimization (PPO)

一、Motivation

        避免较多的策略更新。

• 根据经验，训练期间较小的策略更新更有可能收敛到最优解决方案。
• 在策略更新中，太大的一步可能会导致“掉下悬崖”(得到一个糟糕的策略)，并且有很长时间甚至没有可能恢复。

        所以在PPO中，我们保守地更新策略。为此，我们需要使用当前policy和前policy之间的比率计算来衡量当前政策与前政策相比发生了多少变化。我们把比率控制在[1-e,1+e]，意味着我们移除当前policy与前policy太远的激励(因此称为近端政策术语)。

二、推导

2.1 策略目标函数(The Policy Objective Function)：