DRL调参笔记

    深度强化学习领域的经典算法有很多，如DQN、DDPG、SAC、PPO等。RL的算法分为两种，一种是value-based方法，难以扩展到连续的动作空间，且其容易带来高偏差（high bias)问题；另一种是policy-based方法，利用蒙特卡罗采样训练策略，训练不稳定策略收敛困难， 且容易带来高方差(high variance)问题。为了解决这些问题，将两种方法进行结合，产生了Actor-Critic架构。

应用DRL算法进行实验，rewards和loss无法收敛，查找了一些资料，进行了大量的试错，将问题分为以下几种：

Q & A

问题结构设计

RL类问题建模通常分为三部分（以model free型为例）：

• state space ：在设计状态空间时，避免state固定不动（即状态空间内只有一个状态）
• action space：动作空间分为离散动作空间和连续动态空间，对于离散动作空间，通常采用DQN、SAC-discrete、PPO；对于连续动作空间，可以采用DDPG、TD3、SAC、PPO。
• reward：奖励函数的设计至关重要，负责引导智能体朝着优化方向前进，简单的奖励函数设计方法有优化目标取负、优化目标取倒数、加惩罚项等（高级的方法还未研究学习）

实验采取连续动作空间，但action的取值范围不尽相同，在A = [a₁, a₂, …, a_2n]中，A1=[a₁, a₂, …, a_n]的取值范围是[200, 400]， A2=[a_n+1, a_n+2, …, a_2n]的取值范围是[0.1, 0.5]，对于这种情况，显然要对action进行scaling。
如何scaling?
在environment中进行scaling
如果在算法中进行scaling，容易造成网络训练不稳定，猜想在AC架构中，Critic的输入为state和action，输出为Q值，action的数值范围相差太大，导致Critic的loss巨大。具体见下图，上图为在算法中scaling，下图为在environment中scaling。


下图的Critic loss一下子降低了10^2 ~ 10^3的数量级，有助于整体稳定收敛。

算法参数设置

学习率

Actor-Critic架构中，通常Critic的学习率比Actor大一个数量级，如actor_lr 为1e-4，critic_lr为1e-3。可以设置学习率递减（随着训练梯度下降变缓）

神经网络结构

DRL中神经网络的层数不必过多，3-4层即可，隐藏层的维度要根据输入输出维度来设置。实验中输入输出维度为100维，hidden_dim为512比256能更好拟合值函数。

batch size & buffer size

确保buffer中有足够的训练数据，最少是10^5条数据；batch size根据实验结果调整，这里batch size 为64的效果最佳。

梯度截断

为了防止梯度爆炸等问题，要对梯度进行截断。

数据归一化

关于数据是否需要归一化，众说纷纭，若实验效果不太好，可以尝试进行归一化处理，能够在一定程度上提高算法性能。这里注意reward不能归一化，可以scaling以放缩。

————————————————————————————————————————
参考内容：
【1】https://blog.csdn.net/Lyn_S/article/details/113776181
【2】https://zhuanlan.zhihu.com/p/658733397
【3】https://zhuanlan.zhihu.com/p/210761985
【4】https://xylu926.blog.csdn.net/article/details/103850537
【5】https://blog.csdn.net/weixin_42365324/article/details/105727916
【6】https://blog.csdn.net/weixin_44405644/article/details/106223590
【7】https://blog.csdn.net/ytusdc/article/details/107738749
【8】https://zhuanlan.zhihu.com/p/382501240