- Double DQN的意义:为了解决神经网络对Q值估计过高的问题,将优化的TD误差目标选取action的那一项更新为:
2. Q值被过高估计的原因:
3. 为什么 Dueling DQN 会比 DQN 好?
- 部分原因在于 Dueling DQN 能更高效学习状态价值函数。每一次更新时,函数都会被更新,这也会影响到其他动作的值。而传统的 DQN 只会更新某个动作的值,其他动作的值就不会更新。因此,Dueling DQN 能够更加频繁、准确地学习状态价值函数。
-
Dueling DQN 能够很好地学习到不同动作的差异性,在动作空间较大的环境下非常有效
-
class PolicyNet(torch.nn.Module): def __init__(self, state_dim, hidden_dim, action_dim): super(PolicyNet, self).__init__() self.fc1 = torch.nn.Linear(state_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, action_dim) def forward(self, x): x = F.relu(self.fc1(x)) # 这里采用在离散动作空间上的softmax()函数来实现一个可学习的多项分布(multinomial distribution) return F.softmax(self.fc2(x), dim=1) class REINFORCE: def __init__(self, state_dim, hidden_dim, action_dim, learning_rate, gamma, device): self.policy_net = PolicyNet(state_dim, hidden_dim, action_dim).to(device) self.optimizer = torch.optim.Adam(self.policy_net.parameters(), lr=learning_rate) # 使用Adam优化器 self.gamma = gamma # 折扣因子 self.device = device def take_action(self, state): # 根据动作概率分布随机采样 state = torch.tensor([state], dtype=torch.float).to(self.device) probs = self.policy_net(state) # 创建一个动作概率分布 action_dist = torch.distributions.Categorical(probs) # 采样动作,action的数据类型就是一个动作序号 action = action_dist.sample() # 之所以要吊用item函数就是为了从这个单元素张量中提取出Python的标准数据类型的值 return action.item() def update(self, transition_dict): reward_list = transition_dict['rewards'] state_list = transition_dict['states'] action_list = transition_dict['actions'] G = 0 self.optimizer.zero_grad() # 经典反向计算预期回报 for i in reversed(range(len(reward_list))): # 从最后一步算起 reward = reward_list[i] state = torch.tensor([state_list[i]], dtype=torch.float).to(self.device) action = torch.tensor([action_list[i]]).view(-1, 1).to(self.device) log_prob = torch.log(self.policy_net(state).gather(1, action)) G = self.gamma * G + reward loss = -log_prob * G # 每一步的损失函数 loss.backward() # 反向传播计算梯度 self.optimizer.step() # 梯度下降
-
Policy_Gradient是一个on-policy算法,之前收集到的轨迹数据不会被再次利用。相比于之前的值函数算法,会使用更多的序列进行训练。
- 主要的不足之处:性能也有一定程度的波动,这主要是因为每条采样轨迹的回报值波动比较大
-
REINFORCE 算法是策略梯度乃至强化学习的典型代表,智能体根据当前策略直接和环境交互,通过采样得到的轨迹数据直接计算出策略参数的梯度,进而更新当前策略,使其向最大化策略期望回报的目标靠近。
-
策略梯度这种学习方式是典型的从交互中学习,并且其优化的目标(即策略期望回报)正是最终所使用策略的性能,这比基于价值的强化学习算法的优化目标(一般是时序差分误差的最小化)要更加直接。 REINFORCE 算法理论上是能保证局部最优的,它实际上是借助蒙特卡洛方法采样轨迹来估计动作价值,这种做法的一大优点是可以得到无偏的梯度。但是,正是因为使用了蒙特卡洛方法,REINFORCE 算法的梯度估计的方差很大,可能会造成一定程度上的不稳定