强化学习_DPPO算法实现Pendulum-v1

¥骁勇善战¥

已于 2023-09-26 11:21:48 修改

阅读量390

点赞数

文章标签：算法人工智能强化学习

于 2023-09-26 11:21:25 首次发布

本文链接：https://blog.csdn.net/m0_68462260/article/details/133301454

版权

DPPO原理

DPPO 和 A3C 的思路其实是一致的，希望用多个智能体同时和环境互动，并对全局的PPO 网络进行更新。

在A3C，我们需要跑数据并且计算好梯度，再更新全局网络。这是因为 AC 是一个在线的算法，所以在更新的时候，产生数据的策略和更新的策略需要是同一个网络。所以我们不能把 worker 产出的数据，直接给全局网络计算梯度用。

但PPO 解决了离线更新策略的问题，所以 DPPO 的worker 只需要提供数据给全局网络，由全局网络从数据中直接学习。

线程通信

和A3C一样，DPPO同样使用多线程来学习。全局网络就是PPO，他的功能是学习;

worker，在全局网络的〝指导”下，和环境互动，并且把数据保存起来提供给全局网络学习。

你可能会发现，这两项工作之间是不能同时的。当全局网络在学习的时候，workers需要等待全局网络学习完，才能干活，workers 在干活的时候，全局网络就需要等待 worker提供数据。

我们可以把每一条线程想象成一根水管，线程按照代码运行，就像水在水管里面运行一样。如果某些线程需要等待其他的线程工作完成以后，再继续进行。那么，这些水管就要安装上开关。安装开关的方法很简单，只需要在需要安装的位置，加上这么一句代码，让代码执行进入等待状态。
在这里插入图片描述

线程运行到这里，将会暂停。我们称为该线程被“阻塞”了。那么怎么才能通过这个开关，继续运行下去呢？我们先可以想象有一个管理开关的工人，该工人会看“信号灯〞，根据信号灯的情况决定是否让线程继续下去。

我们有两个操作，可以改变信号灯。event.clear()，信号为 False，表示“不能”让程序进行。event.set()，信号为 True，表示“可以”让程序进行下去。

这样，我们用两个事件，就能解决两组不同线程的通信问题。假如，我们有两组线程 A，B。要求当 A 在运行时，B等待；当A运行完毕，B开始运行，A 等待。那么我们可以这样做：

首先我们在 A,B 两组不同线程的适当位置，插入“开关〞：分别是 A_event.wait(),B_event.wait()，这时候，两个开关的信号灯都默认为 False，就是阻塞状态。
我们把 A_event 的信号设置为 True, B_event 信号设置为 False : A_event.set(),nBevent.clear(), 这样，当进程start之后，A进程运行会继续，B进程会在 B_event.wait()被阻塞，等待A进程运行。
A进程运行到最后，需要B进程启动。A_event.clear(), B_event.set()。这时候，B进程在 B_event.wait()位置，看到信号灯设置为 True，就会继续执行。但这时候，A并不会立即停止，通常 A 是一个多次的循环，这时候 A 会重新开始，并执行到A_event.wait()的位置，由于这时候，信号为 False。所以 A 就不再执行下去了，需要等待信号灯变更。
同理，我们需要在B最后，设置信号。 A_event.set(), B_event.clear()。这样 AB 两个线程就会交替进行下去。

DPPO代码实现

"""
A simple version of OpenAI's Proximal Policy Optimization (PPO). [https://arxiv.org/abs/1707.06347]

Distributing workers in parallel to collect data, then stop worker's roll-out and train PPO on collected data.
Restart workers once PPO is updated.

The global PPO updating rule is adopted from DeepMind's paper (DPPO):
Emergence of Locomotion Behaviours in Rich Environments (Google Deepmind): [https://arxiv.org/abs/1707.02286]

View more on my tutorial website: https://morvanzhou.github.io/tutorials

Dependencies:
tensorflow r1.3
gym 0.9.2
"""

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

import numpy as np
import matplotlib.pyplot as plt
import gym, threading, queue

EP_MAX = 1000
EP_LEN = 200
N_WORKER = 8                # parallel workers
GAMMA = 0.9                 # reward discount factor
A_LR = 0.0001               # learning rate for actor
C_LR = 0.0002               # learning rate for critic
MIN_BATCH_SIZE = 64         # minimum batch size for updating PPO
UPDATE_STEP = 10            # loop update operation n-steps
EPSILON = 0.2               # for clipping surrogate objective
GAME = 'Pendulum-v1'
S_DIM, A_DIM = 3, 1         # state and action dimension


class PPO(object):
    def __init__(self):
        self.sess = tf.Session()
        self.tfs = tf.placeholder(tf.float32, [None, S_DIM], 'state')

        # critic
        l1 = tf.layers.dense(self.tfs, 100, tf.nn.relu)
        self.v = tf.layers.dense(l1, 1)
        self.tfdc_r = tf.placeholder(tf.float32, [None, 1], 'discounted_r')
        self.advantage = self.tfdc_r - self.v
        self.closs = tf.reduce_mean(tf.square(self.advantage))
        self.ctrain_op = tf.train.AdamOptimizer(C_LR).minimize(self.closs)

        # actor
        pi, pi_params = self._build_anet('pi', trainable=True)
        oldpi, oldpi_params = self._build_anet('oldpi', trainable=False)
        self.sample_op = tf.squeeze(pi.sample(1), axis=0)  # operation of choosing action
        self.update_oldpi_op = [oldp.assign(p) for p, oldp in zip(pi_params, oldpi_params)]

        self.tfa = tf.placeholder(tf.float32, [None, A_DIM], 'action')
        self.tfadv = tf.placeholder(tf.float32, [None, 1], 'advantage')
        # ratio = tf.exp(pi.log_prob(self.tfa) - oldpi.log_prob(self.tfa))
        ratio = pi.prob(self.tfa) / (oldpi.prob(self.tfa) + 1e-5)
        surr = ratio * self.tfadv                       # surrogate loss

        self.aloss = -tf.reduce_mean(tf.minimum(        # clipped surrogate objective
            surr,
            tf.clip_by_value(ratio, 1. - EPSILON, 1. + EPSILON) * self.tfadv))

        self.atrain_op = tf.train.AdamOptimizer(A_LR).minimize(self.aloss)
        self.sess.run(tf.global_variables_initializer())

    def update(self):
        global GLOBAL_UPDATE_COUNTER
        while not COORD.should_stop():
            if GLOBAL_EP < EP_MAX:
                UPDATE_EVENT.wait()                     # wait until get batch of data
                self.sess.run(self.update_oldpi_op)     # copy pi to old pi
                data = [QUEUE.get() for _ in range(QUEUE.qsize())]      # collect data from all workers
                data = np.vstack(data)
                s, a, r = data[:, :S_DIM], data[:, S_DIM: S_DIM + A_DIM], data[:, -1:]
                adv = self.sess.run(self.advantage, {self.tfs: s, self.tfdc_r: r})
                # update actor and critic in a update loop
                [self.sess.run(self.atrain_op, {self.tfs: s, self.tfa: a, self.tfadv: adv}) for _ in range(UPDATE_STEP)]
                [self.sess.run(self.ctrain_op, {self.tfs: s, self.tfdc_r: r}) for _ in range(UPDATE_STEP)]
                UPDATE_EVENT.clear()        # updating finished
                GLOBAL_UPDATE_COUNTER = 0   # reset counter
                ROLLING_EVENT.set()         # set roll-out available

    def _build_anet(self, name, trainable):
        with tf.variable_scope(name):
            l1 = tf.layers.dense(self.tfs, 200, tf.nn.relu, trainable=trainable)
            mu = 2 * tf.layers.dense(l1, A_DIM, tf.nn.tanh, trainable=trainable)
            sigma = tf.layers.dense(l1, A_DIM, tf.nn.softplus, trainable=trainable)
            norm_dist = tf.distributions.Normal(loc=mu, scale=sigma)
        params = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope=name)
        return norm_dist, params

    def choose_action(self, s):
        s = s[np.newaxis, :]
        a = self.sess.run(self.sample_op, {self.tfs: s})[0]
        return np.clip(a, -2, 2)

    def get_v(self, s):
        if s.ndim < 2: s = s[np.newaxis, :]
        return self.sess.run(self.v, {self.tfs: s})[0, 0]


class Worker(object):
    def __init__(self, wid):
        self.wid = wid

        if self.wid == 0:
            self.env = gym.make(GAME, render_mode='human')
        else:
            self.env = gym.make(GAME)

        self.ppo = GLOBAL_PPO

    def work(self):
        global GLOBAL_EP, GLOBAL_RUNNING_R, GLOBAL_UPDATE_COUNTER
        while not COORD.should_stop():
            s = self.env.reset()[0]
            ep_r = 0
            buffer_s, buffer_a, buffer_r = [], [], []
            for t in range(EP_LEN):
                if not ROLLING_EVENT.is_set():                  # while global PPO is updating
                    ROLLING_EVENT.wait()                        # wait until PPO is updated
                    buffer_s, buffer_a, buffer_r = [], [], []   # clear history buffer, use new policy to collect data
                a = self.ppo.choose_action(s)
                s_, r, done, _, _ = self.env.step(a)
                buffer_s.append(s)
                buffer_a.append(a)
                buffer_r.append((r + 8) / 8)                    # normalize reward, find to be useful
                s = s_
                ep_r += r

                GLOBAL_UPDATE_COUNTER += 1                      # count to minimum batch size, no need to wait other workers
                if t == EP_LEN - 1 or GLOBAL_UPDATE_COUNTER >= MIN_BATCH_SIZE:
                    v_s_ = self.ppo.get_v(s_)
                    discounted_r = []                           # compute discounted reward
                    for r in buffer_r[::-1]:
                        v_s_ = r + GAMMA * v_s_
                        discounted_r.append(v_s_)
                    discounted_r.reverse()

                    bs, ba, br = np.vstack(buffer_s), np.vstack(buffer_a), np.array(discounted_r)[:, np.newaxis]
                    buffer_s, buffer_a, buffer_r = [], [], []
                    QUEUE.put(np.hstack((bs, ba, br)))          # put data in the queue
                    if GLOBAL_UPDATE_COUNTER >= MIN_BATCH_SIZE:
                        ROLLING_EVENT.clear()       # stop collecting data
                        UPDATE_EVENT.set()          # globalPPO update

                    if GLOBAL_EP >= EP_MAX:         # stop training
                        COORD.request_stop()
                        break

            # record reward changes, plot later
            if len(GLOBAL_RUNNING_R) == 0: GLOBAL_RUNNING_R.append(ep_r)
            else: GLOBAL_RUNNING_R.append(GLOBAL_RUNNING_R[-1]*0.9+ep_r*0.1)
            GLOBAL_EP += 1
            print('{0:.1f}%'.format(GLOBAL_EP/EP_MAX*100), '|W%i' % self.wid,  '|Ep_r: %.2f' % ep_r,)


if __name__ == '__main__':
    GLOBAL_PPO = PPO()
    UPDATE_EVENT, ROLLING_EVENT = threading.Event(), threading.Event()
    UPDATE_EVENT.clear()            # not update now
    ROLLING_EVENT.set()             # start to roll out
    workers = [Worker(wid=i) for i in range(N_WORKER)]
    
    GLOBAL_UPDATE_COUNTER, GLOBAL_EP = 0, 0
    GLOBAL_RUNNING_R = []
    COORD = tf.train.Coordinator()
    QUEUE = queue.Queue()           # workers putting data in this queue
    threads = []
    for worker in workers[::-1]:          # worker threads
        if worker.wid != 0:
            t = threading.Thread(target=worker.work, args=())
            t.start()  # training
            threads.append(t)
        elif worker.wid == 0:
            # add a PPO updating thread
            threads.append(threading.Thread(target=GLOBAL_PPO.update, ))
            threads[-1].start()
            worker.work()

    COORD.join(threads)

    # plot reward change and test
    plt.plot(np.arange(len(GLOBAL_RUNNING_R)), GLOBAL_RUNNING_R)
    plt.xlabel('Episode'); plt.ylabel('Moving reward'); plt.ion(); plt.show()
    env = gym.make('Pendulum-v1')
    while True:
        s = env.reset()[0]
        for t in range(300):
            env.render()
            s = env.step(GLOBAL_PPO.choose_action(s))[0]

¥骁勇善战¥

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
强化学习_DPPO算法实现Pendulum-v1

但这时候，A并不会立即停止，通常 A 是一个多次的循环，这时候 A 会重新开始，并执行到A_event.wait()的位置，由于这时候，信号为 False。我们把 A_event 的信号设置为 True, B_event 信号设置为 False : A_event.set(),nBevent.clear(), 这样，当进程start之后，A进程运行会继续，B进程会在 B_event.wait()被阻塞，等待A进程运行。worker，在全局网络的〝指导”下，和环境互动，并且把数据保存起来提供给全局网络学习。
复制链接

扫一扫