《Proximal Policy Optimization Algorithms》--强化学习论文笔记

原文链接
Markdown公式速写

1. policy gradient 从on policy到 off policy

policy gradient：

$\nabla \overline{R_{\theta }}=E_{\tau \sim p_{\theta }(\tau )}[R(\tau )\nabla log{p}_{\theta }(\tau )]$

• 更新过程：actor与环境互动，生成轨迹 $\tau$, 之后按照梯度上升的方式更新policy network的参数。
• 问题：虽然使用相同轨迹执行多步优化看上去很秀，但是这样操作并不合理，实验证明它通常会导致破坏性的大策略更新
  （感觉我的毕设是不是也存在这个问题？？？？？？？）
• 分析：按照公式，数据应该是从现在的policy $\theta$ 的分布中采样出来，然而当每次结束一回合，更新了参数之后，原本的$\theta$已经发生变化，原有采样出的数据就不能再使用了，需要重新获取数据，因此生成数据需要耗费大量的时间。
• 改进：使用另外的policy ${\theta }^{\prime }$ 来与环境交互生成数据，来训练$\theta$(数据可以多次用来做梯度上升更新网络）

2. importance sampling

$$E_{x\sim p}[f(x)]\approx \frac{1}{N}\sum _{i=1}^{N}f(x^i)$$
从$p$的分布中采样x，代入到f(x)中，计算f(x)的期望值, 其中$x^i$是从$p(x)$中采样得到的。

问题：如果现在无法从$p(x)$中采样到$x$, 只有从另一个分布$q(x)$中采样的数据$x^i$，该如何计算原目标表达式？
$$E_{x\sim p}[f(x)]=\int f(x)p(x)dx=\int f(x)\frac{p(x)}{q(x)}q(x)dx=E_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$$

按照上式，理论上来说，可以用另一个随机分布$q(x)$替换$p(x)$
但是，$$E_{x\sim p}[f(x)]=E_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$$

$$Va{r}_{x\sim p}[f(x)]\ne Va{r}_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$$
根据$Var[X]=E[X^2]-(E[X]{)}^2$可得，
$$Va{r}_{x\sim q}[f(x)\frac{p(x)}{q(x)}]=E_{x\sim q}[(f(x)\frac{p(x)}{q(x)}{)}^2]-(E_{x\sim q}[f$$