强化学习笔记：熵正则

0 策略过于确定的优劣

策略学习的目的是学出一个策略网络 用于控制智能体agent。

比如基于某一个状态s，策略网络的输出为：

那么基本上agent进行的动作就是向右了 

这样过于确定性的决策有好有坏：

• 好处在于不容易选中很差的动作，比较安全。
• 坏处在于智能体就会安于现状，不去尝试没做过的动作，不去探索更多的状态，无法找到更好的策略。

1 熵正则的引入

        我们希望策略网络的输出的概率不要集中在一个动作上，至少要给其他的动作一些非零的概率，让这些动作能被探索到。

        可以用熵 (Entropy) 来衡量概率分布的不确定性。 对于上述离散概率分布 p = [ p 1 , p 2 , p 3]，熵等于

         熵小说明概率质量很集中，熵大说明随机性很大

 

 2 策略学习中的熵正则

        我们希望策略网络输出的概率分布的熵不要太小。我们不妨把熵作为正则项，放到策略学习的目标函数中。

        

        策略网络的输出是维度等于 |A| 的向量， 它表示定义在动作空间上的离散概率分布。

        这个概率分布的熵定义为：

        我们希望对大多数状态，熵都比较大，也就是让 比较大。

        所以此时，带有熵正则的策略学习可以写作：

 

2.1 带熵正则的优化

带熵正则之后，梯度是：

通过推导可得此时g(θ)的无偏估计是

 2.1.1 推导

而在 强化学习笔记：policy learning_UQI-LIUWJ的博客-CSDN博客中，我们知道

 所以二者一结合，有：

 

参考内容：王树森 强化学习