强化学习-信任区域策略优化和近端策略优化（第7章）

来源书籍：

TENSORFLOW REINFORCEMENT LEARNING QUICK START GUIDE

《TensorFlow强化学习快速入门指南-使用Python动手搭建自学习的智能体》

著者：[美]考希克·巴拉克里希南（Kaushik Balakrishnan）

译者：赵卫东

出版社：Packt    机械工业出版社

代码：

https://github.com/x45w/TensorFlow-Reinforcement-Learning-Quick-Start-Guide-master-PPOhttps://github.com/x45w/TensorFlow-Reinforcement-Learning-Quick-Start-Guide-master-PPO

目录

1.信任区域策略优化和近端策略优化

1.1 学习TRPO

1.2 学习PPO

2.思考题

---

1.信任区域策略优化和近端策略优化

第6章介绍了A3C和A2C的使用，前者是异步的，后者是同步的。本章将介绍另外的关于同步策略强化学习算法。准确地讲，这两个算法在数学上有很多相似之处，但在解决方法上却有所不同。一种称为信任区域策略优化（Trust Region Policy Optimization， TRPO）,由OpenAI和加州大学伯克利分校的研究人员于2015年提出的。该算法在数学上很难求解，因为其涉及共轭梯度算法。请注意，一阶优化方法，如建立良好的Adam和随机梯度下降（SGD），不能用于求解TRPO方程。本章还介绍如何将求解策略优化方程合并为一个，从而产生近端策略优化（Proximal Policy Optimization， PPO）算法，并且可以使用一阶优化算法，如Adam或SGD。

1.1 学习TRPO

TRPO方程
TRPO涉及当前策略分配比例与旧策略分配比例(ji即较早的时间步长)的期望值的最大化，乘以优势函数，约束条件是新老策略分布的Kullback-Leibler(KL)散度的期望值不大于用户指定值

 第一个方程是策略目标，第二个方程是一个附加约束。为了确保策略更新是渐进的，并且不会进行大的策略更新，从而将策略带到参数空间非常远的区域。

由于有两个需要联合优化的方程，Adam和SGD等一阶优化算法将不起作用。相反，用共轭梯度算法求解方程，对第一个方程进行线性逼近，对第二个方程进行二次逼近。然而，这涉及很多数学知识，所以不在本书中介绍。本书将使用PPO算法，它相对容易编程实现。

1.2 学习PPO

 PPO是TRPO的扩展，由OpenAI的研究人员于2017年引入。PPO也是一种同步策略算法，可以应用于离散动作问题和连续动作问题。它使用与TRPO中相同的策略分布比率，但不使用KL散度约束。具体来说，PPO使用三个损失函数，将它们合二为一。下面介绍三个损失函数。

PPO损失函数

第一个损失函数称为裁剪替代目标。用表示新旧策略概率分布的比率：

裁剪替代目标由以下方程给出，其中是优势函数，是超参数，通常使用ε=0.1或0.2: 

clip()函数将比率限制在1-ε和1+ε之间，从而使比率保持在范围内。min()函数是确保目标是未裁剪目标下限的最小化函数。 

第二个损失函数是状态值函数的L2范数:

第三个损失函数是策略分布的香农熵, 来源于信息论:

 把这三个损失函数组合起来。注意, 要最大化  和, 但是要最小化 。其中 c1 和 c2 是用于缩放的常数将PPO 。总的损失函数定义为如下方程，

 注意，如果在策略和价值网络之间共享神经网络参数，那么前面损失函数就可以最大化。另一方面，如果对策略和价值有单独的神经网络，那么就可以有单独的损失函数，那么就可以有单独的损失函数，如下面的方程所示，其中最大化，最小化：

注意，常量在后一种设置中是不需要的，这里为策略和值提供了单独的神经网络。神经网络参数通过一批数据点上的多个迭代步骤进行更新，其中更新步骤的数量由用户指定为超参数。

2.思考题

（1）可以在TRPO中应用Adam或SGD优化吗？

答：信任区域策略优化（TRPO）具有目标函数和约束。因此，它需要二阶优化，例如共轭梯度。SGD和Adam不适用于TRPO。

（2）熵项在策略优化中的作用是什么？

答：熵项有助于正则化。它允许agent探索更多机会。

（3）为什么要削减策略比率？如果裁减参数很大会发生什么？

答：缩减策略比率以限制一个更新步骤更改策略的量。如果裁剪参数很大，则每次更新时策略都会发生巨大变化，这可能导致次优策略，因为agent的策略噪声较大且波动太多。

（4）为什么对mu使用激活函数tanh,而对sigma使用激活函数softplus?能用激活函数tanh来计算sigma吗?

答：这个动作被限制在负值和正值之间，因此激活函数tanh被用于mu。softplus用作sigma，并且总是正的。激活函数tanh不能用于sigma，因为tanh会导致sigma的负值，这是没有意义的。

（5）奖励在训练中总是有帮助吗？

答：奖励重新设计通常有助于训练。但是，如果做得不好，也无益于训练。必须确保完成奖励，以保持奖励功能的密集以及在适当的范围内。

（6）当测试一个已经训练好的agent时需要奖励吗？

答：不，奖励重新设计仅用于训练。