Policy Gradient,策略梯度法是强化学习中的一种常用方法。
比较详细的推导可以看:https://datawhalechina.github.io/easy-rl/#/chapter4/chapter4?id=tips
文章目录
1. 定义强化学习的问题
强化学习由三个组件构成:Actor、Environment、Reward Function。
Actor 决定如何执行下一个动作;
Environment 就是电脑主机或者对手会根据Actor的动作产生变化;
Reward Function 会根据我们做的动作进行打分。
在强化学习里面 Environment 和 Reward Function 都是不可操作的,我们的目标就是调整Actor的策略(Policy)获得最大的奖励期望。
-
一场游戏叫做一个 回合(episode) 或者 试验(trial);
-
过程就是Env先初始化一个状态 s 1 s_1 s1,而后我们的Actor根据该初始状态做出动作;
-
产生一个Trajectory,我们用 τ \tau τ表示,如下:
τ = { s 1 , a 1 , s 2 , a 2 , . . . , s t , a t } \tau = \{s_1, a_1, s_2, a_2, ..., s_t, a_t \} τ={ s1,a1,s2,a2,...,st,at}
2. Policy Network
我们使用神经网络来完成动作的选择,以打电动游戏为例子:
我们有策略网络来实现策略 π \pi π,网络的参数为 θ \theta θ,输入为游戏的图像,输出的我们的操作。
在一场游戏中(一个episode),我们的Actor可以与环境交互产生一个回合的记录序列 Trajectory:
τ = { s 1 , a 1 , s 2 , a 2 , . . . , s t , a t } \tau = \{s_1, a_1, s_2, a_2, ..., s_t, a_t \} τ={
s1,a1,s2,a2,...,st,at}
每一个 τ \tau τ产生的概率为:
p θ ( τ ) = p ( s 1 ) p θ ( a 1 ∣ s 1 ) p ( s 2 ∣ s 1 , a 1 ) p θ ( a 2 ∣ s 2 ) p ( s 3 ∣ s 2 , a 2 ) . . . = p ( s 1 ) ∏ t = 1 T p θ ( a t ∣ s t ) p ( s t + 1 ∣ s t , a t ) \begin{aligned} p_\theta(\tau) &= p(s_1)p_\theta(a_1|s_1)p(s_2|s_1, a_1)p_\theta(a_2|s_2)p(s_3|s_2,a_2)... \\ &=p(s_1)\prod_{t=1}^Tp_\theta(a_t|s_t)p(s_{t+1}|s_t, a_t) \end{aligned} pθ(τ)=p(s1)pθ(a1∣s1)p(s2∣s1,a1)pθ(a2∣s2)p(s3∣s2,a2)...=p(s1)t=1∏Tpθ(at∣st)p(st+1∣st,at)
每一个 τ \tau τ的总回报为:
R ( τ ) = ∑ t = 1 T r t R(\tau) = \sum_{t=1}^Tr_t R(τ)=t=1∑Trt
我们的 τ \tau τ是利用Actor与环境互动产生的,在动作选择过程中存在很多随机性,环境本身也存在很多随机性,所以 R ( τ ) R(\tau) R(τ)是一个随机变量(random variable)。
所以我们不能用 R ( τ ) R(\tau) R(τ)评价一个策略网络 θ \theta θ的好坏,但是我们可以使用 R ( τ ) R(\tau) R(τ)的期望评价:
E [ R ( τ ) ] = R ˉ ( τ )