论文链接:http://proceedings.mlr.press/v37/schulman15
引用:Schulman J, Levine S, Abbeel P, et al. Trust region policy optimization[C]//International conference on machine learning. PMLR, 2015: 1889-1897.
概述
Trust Region Policy Optimization (TRPO) 算法是一个 model-free、policy-based、on-policy、Mento Carlo 的算法,且支持连续的状态空间和连续的动作空间,也支持高维输入、神经网络作为函数approximator。
主要的特点
- 最小化某个替代的损失函数以保证策略能够被单调地改进
- 在理论上合理地对算法进行一系列近似
主要的近似过程
-
首先,对于policy gradient或者policy-based的更新算法,最重要的系数之一是步长 α {\alpha} α,如果它非常小,则我们无法有效地更新策略;或者如果它非常大,那么学习可能会变得非常不稳定,甚至越来越差。
-
然后文章介绍了 Kakade & Langford (2002) 的一个公式:
η ( π ~ ) = η ( π ) + E ( s 0 , a 0 , s 1 , a 1 … ) [ ∑ t = 0 ∞ γ t A π ( s t , a t ) ] = η ( π ) + ∑ s ρ π ~ ( s ) ∑ a π ~ ( a │ s ) A π ( s , a ) {\eta}(\tilde{\pi})={\eta}({\pi})+E_(s_0,a_0,s_1,a_1…)[\sum_{t=0}^{\infty}{{\gamma}^t A_{\pi} (s_t,a_t)}]={\eta}({\pi})+\sum_s{{\rho}_{\tilde{\pi}}(s) \sum_a{\tilde{\pi} (a│s) A_{\pi}(s,a)}} η(π~)=η(π)+E(s0,a0,s1,a1…)[t=0∑∞γtAπ(st,at)]=η(π)+s∑ρπ~(s)a∑π~(a│s)Aπ(s,a)
这个式子着我们可以给原始的成本函数(cost function)后添加一个附加项, 如果这个项 ∑ s ρ π ~ ( s ) ∑ a π ~ ( a │ s ) A π ( s , a ) \sum_s{{\rho}_{\tilde{\pi}}(s) \sum_a{\tilde{\pi} (a│s) A_{\pi}(s,a)}} ∑sρπ~(s)∑aπ~(a│s)Aπ(s,a) 是一个负值,则这一步可以保证降低成本函数 η {\eta} η。
-
然后将等式的右侧定义为 L π ( π ~ ) L_{\pi} (\tilde{\pi}) Lπ(π~), 这就是优化的主要目标。
-
然后第一个近似值来了:由于新策略下 π ~ \tilde{\pi} π~的状态分布很难得到,因此将新策略近似地替换为旧策略,即忽略策略变化导致的每个状态访问次数的密度的变化:
L π ( π ~ ) = η ( π ) + ∑ s ρ π ( s ) ∑ a π ~ ( a │ s ) A π ( s , a ) L_{\pi} (\tilde{\pi})={\eta}({\pi})+\sum_s{{\rho}_{\pi} (s) \sum_a{\tilde {\pi} (a│s) A_{\pi} (s,a)}} Lπ(π~)=η(π)+s∑ρπ(s)a∑π~(a│s)Aπ(s,a)
请注意,现在,我们对状态访问分布使用了旧的策略 π {\pi} π。
-
另有一个已经证明的理论说明了:只要如下的这个更新 L π θ o l d L_{{\pi}_{{\theta}_{old}}} Lπθold的步骤足够小: π θ 0 → π {\pi}_{{\theta}_0} \rightarrow {\pi} πθ0→π,那他就也能够提升 η {\eta} η 本身(具体过程可看原文)
-
然后基于保守策略迭代(conservative policy iteration)理论:
π n e w ( a │ s ) = ( 1 − α ) π o l d ( a │ s ) + α π ′ ( a ∣ s ) {\pi}_{new}(a│s)=(1−{\alpha}){\pi}_{old} (a│s)+{\alpha}{\pi}^′(a|s) πnew(a│s)=(1−α)πold(a│s)+απ′(a∣s)以及 Kakade 和 Langford 已经证明了的如下结果:
η ( π n e w ) ≤ L π o l d ( π n e w ) + 2 ϵ γ ( 1 − γ ( 1 − α ) ) ( 1 − γ ) α 2 {\eta}({\pi}_{new}) \leq L_{{\pi}_{old}} ({\pi}_{new})+\frac{2\epsilon{\gamma}}{(1−{\gamma}(1−{\alpha}))(1−{\gamma})}{\alpha}^2 η(πnew)≤Lπold(πnew)+(1−γ(1−α))(1−γ)2ϵγα2
引出了第二个近似值:假设这里的步长满足 α ≪ 1 \alpha \ll 1 α≪1,那么就可以将上述不等式近似为:
η ( π n e w ) ≤ L ( π o l d ) ( π n e w ) + 2 ϵ γ ( 1 − γ ) 2 α 2 {\eta}({\pi}_{new} )≤L_({\pi}_{old} ) ({\pi}_{new} )+\frac{2{\epsilon}{\gamma}}{(1−{\gamma})^2} {\alpha}^2 η(πnew)≤L(πold)(πnew)+(1−γ)22ϵγα2
-
目前为止,步长 α \alpha α 是最重要的一个系数,本文也主要是针对此进行的研究,那么第三个近似值来了:用 π \pi π 和 π ~ \tilde{\pi} π~ 之间的距离度量来代替 α \alpha α,这里的距离衡量的量被定为总方差散度(total variance divergence:
α = D T E m a x ( π o l d , π n e w ) {\alpha}=D_{TE}^{max}({\pi}_{old},{\pi}_{new}) α=DTEmax(πold,πnew)
ϵ = m a x s ∣ E ( a ∽ π ′ ( a │ s ) ) [ A π ( s , a ) ] ∣ {\epsilon}=max_s|E_(a{\backsim}{\pi}^′(a│s) )[A_{\pi} (s,a)]| ϵ=maxs∣E(a∽π′(a│s))[Aπ(s,a)]∣ -
然后第四个近似值来了:根据KL散度和总方差散度之间存在的不等关系,用KL散度替换总方差散度:
α = D K L m a x ( π o l d , π n e w ) {\alpha}=D_{KL}^{max}({\pi}_{old},{\pi}_{new}) α=DKLmax(πold,πnew)
-
现在问题的主要目标就变为了:
m i n θ [ L θ o l d ( θ ) + C D K L m a x ( θ o l d , θ ) ] min_{\theta} [L_{{\theta}_{old}} ({\theta})+CD_{KL}^{max}({\theta}_{old},{\theta})] minθ[Lθold(θ)+CDKLmax(θold,θ)]
-
接下来,第五个近似值来了:把上面公式的右边部分改成一个硬值约束:
m i n θ [ L θ o l d ( θ ) ] min_{\theta} [L_{{\theta}_{old}}({\theta})] minθ[Lθold(θ)]
s . t . D K L m a x ( θ o l d , θ ) ≤ δ s.t. D_{KL}^{max}({\theta}_{old},{\theta})≤{\delta} s.t.DKLmax(θold,θ)≤δ -
最后,因为 m a x max max算子使优化变得很困难,所以第六个近似值来了:使用平均的KL散度而不是最大值进行计算:
m i n θ [ L θ o l d ( θ ) ] min_{\theta} [L_{{\theta}_{old}}({\theta})] minθ[Lθold(θ)]
s . t . D ˉ K L ρ θ o l d ( θ o l d , θ ) ≤ δ s.t. \bar{D}_{KL}^{{\rho}_{{\theta}_{old}}} ({\theta}_{old},{\theta})≤{\delta} s.t.DˉKLρθold(θold,θ)≤δ -
现在已经有了理论公式,但在实践中,需要对其进行进一步的近似,因此他们使用了重要性采样。 最后(第七个)的近似值变为:
m i n θ E s ∽ ρ θ o l d , a ∽ q [ π θ ( a │ s ) q ( a │ s ) Q θ o l d ( s , a ) ] min_{\theta}{E_{s{\backsim}{\rho}_{{\theta}_{old}},a{\backsim}q} [\frac{{\pi}_{\theta} (a│s)}{q(a│s)} Q_{{\theta}_{old}}(s,a)]} minθEs∽ρθold,a∽q[q(a│s)πθ(a│s)Qθold(s,a)]
s . t . E s ∽ ρ θ o l d [ D K L ( π θ o l d ( ⋅ │ s ) ∣ ∣ π θ ( ⋅ ∣ s ) ) ] ≤ δ s.t. E_{s{\backsim}{\rho}_{{\theta}_{old}}}[D_{KL} ({\pi}_{{\theta}_{old}} (\cdot│s)||{\pi}_{\theta} (\cdot|s))] \leq{\delta} s.t.Es∽ρθold[DKL(πθold(⋅│s)∣∣πθ(⋅∣s))]≤δ
两种算法实现方式
- Single Path:从 s 0 s_0 s0的分布中采样若干个 s 0 s_0 s0,然后对每一个 s 0 s_0 s0起始进行simulate,往下进行 N N N步,从而可以计算 Q Q Q值
- Vine:从 s 0 s_0 s0开始往后进行多个state,然后从这些state开始,每个state根据动作的分布rollout若干个的动作(分支)
具体的例子如下图所示: