李宏毅深度强化学习笔记（二）Proximal Policy Optimization

李宏毅深度强化学习笔记（二）Proximal Policy Optimization

参考jessie_weiqing博客：https://blog.csdn.net/cindy_1102/article/details/87905272
李宏毅深度强化学习课程 https://www.bilibili.com/video/av24724071

Proximal Policy Optimization

术语和基本思想

On-policy: 学习到的agent以及和环境进行互动的agent是同一个agent
Off-policy: 学习到的agent以及和环境进行互动的agent是不同的agent

为什么要引入 Off-policy:
$$\nabla {\overline{R}}_{\theta }=E_{\underline{\tau }\sim p_{\theta }(\tau )}\left[R(\tau )\nabla \log p_{\theta }(\tau )\right]$$

如果我们使用 πθ 来收集数据，那么参数 θ被更新后，我们需要重新对训练数据进行采样，这样会造成巨大的时间消耗。
目标：利用 π θ ′ 来进行采样，将采集的样本拿来训练 θ ， θ’ 是固定的，采集的样本可以被重复使用。

原理：Important sampling:

我们只有通过另外一个分布得到的样本时，期望值可以做出以下更改，更换分布之后，需要使用重要性权重p(x)/q(x)来修正f(x).，这样就实现了使用q分布来计算p分布期望值。

需要注意的是，两个分布p，q p，qp，q之间的差别不能太大，否则方差会出现较大的差别。

先基于原始的分布p计算函数的方差，然后计算引入不同分布q之后得到的函数方差，可以发现两者得出的方差表达式后面一项相同，主要差别在于前面那一项，如果分布p和q之间差别太大，会导致第一项的值较大或较小，于是造成两者较大的差别。

如果p,q p, qp,q两个分布的差别过大，在训练的过程中就需要进行更多次数的采样。

比如下图中，实际分布p和辅助分布q差别较大，横轴左边表示收益为负，右边表示收益为正。蓝色的线表示真实分布p的分布，主要集中在左边，也就是说，真实情况下reward的期望值应该是负的。

但是由于辅助分布q，即绿色线，主要集中在右侧，因此在采样的时候采到右边的概率更大，可能会导致多轮采样之后，算出来的期望收益依旧为正，只有当采样到左侧的点，并且乘上较大的修正系数 p/q p/qp/q之后，算出的结果才会变成真实的符号，负号。尽管采样到右侧的点修正系数很小，最终结果可能依旧是正确的，但这样会导致在采样上耗费较大的时间，因此，p q分布之间的差异依旧不宜过大。

从上述important sampling的思想出发，可以使用该思想来达到上文所述的目标，即 “利用πθ ′ 来进行采样，将采集的样本拿来训练 θ， θ’ 是固定的，采集的样本可以被重复使用” 表示为：

提醒

• Advantage function (收益reward减去基准baseline) 也应该随着新的采样参数而变化（从基于θ 的 Aθ 变为基于θ′ 的Aθ′
• 在不同的参数情况下，某一个状态state出现的概率几乎没有差别，因此可以将这一项近似地消掉
• stop criteria取决于两个分布之间的差别大小

加入约束: (θ \thetaθ 不能与 θ’ \theta′θ′差别过大)
Tip: 这是一项加在行为上的约束，而不是加在参数上的约束

PPO 算法

• 初始化policy的参数 θ0
• 在每一次迭代中,使用θk
• k来和环境互动，收集状态和行动并计算对应的advantage function
  不断更新参数，找到目标函数最优值对应的参数 θ

在训练的过程中采用适应性的KL惩罚因子：

• 当KL过大时，增大beta值来加大惩罚力度
• 当KL过小时，减小beta值来降低惩罚力度
  

PPO2

• PPO2引入了Clip函数，意味着第二项，即蓝色的虚线必须在 1-ϵ 和 1+ϵ 之间
• 红色的线表示取最小值之后整个函数值分布情况.