Datawhale - Task02：策略梯度算法

qq_58547591

已于 2024-01-20 23:32:08 修改

阅读量820

点赞数 22

文章标签：算法

于 2024-01-20 23:31:38 首次发布

本文链接：https://blog.csdn.net/qq_58547591/article/details/135720439

版权

一、概要

二、策略函数

1. 离散动作的策略函数——softmax函数

五、REINFORCE算法/Mento Carlo策略梯度算法

六、策略梯度法的评价

本文为Datawhale《深度强化学习基础与实践(二)》学习总结第二期。

以下为本文写作时查阅的相关资料：

Datawhale的JoyRL Book：https://github.com/datawhalechina/joyrl-book
相关数学原理推导的证明：【强化学习】策略梯度方法-策略近似_哔哩哔哩_bilibili
Reinforcement Learning for Sequential Decision and Optimal Control | SpringerLink
Reinforcement Learning: An Introduction

一、概要

上一篇所提到的DQN，以及更为基础的Mento Carlo算法、时间差分算法、Q-Learning算法等，依赖于贝尔曼方程对价值函数进行建模和估计，再计算最优策略，我们将其称之为基于价值（valued-based）的算法，资料3中也称为间接性强化学习（Indirect RL）。

本篇将开始介绍策略梯度（ policy-based ）算法，或者说直接式强化学习（Direct RL），这类算法直接对策略本身进行近似优化。具体来说，我们将策略描述为含参数θ的连续函数，其输入为某个状态，输出为对应的动作概率分布 $\pi_{\theta}(a | s)$ ，这个概率分布不再是（近）确定性策略，而是随机性策略。所要做的便是通过优化预定义的目标函数来搜索最优策略。

二、策略函数

1. 离散动作的策略函数——softmax函数

假设状态-动作对数值偏好为 $h(s, a, \theta)$ ，一般采用softmax函数将其转换为动作概率分布，即

$\pi_{\theta}(s, a) = \dfrac{e^{h(s, a, \theta)}}{\sum\limits_{b} e^{h(s, a, \theta)}}$

2. 连续动作的策略函数

对于连续动作空间，通常策略对应的动作采用正态概率密度参数化，即

$\pi_{\theta}(a|s) = \dfrac{1}{\sqrt{2 \pi} \sigma(s, \theta)} \exp\left\{- \dfrac{(a - \mu(s, \theta))^{2}}{2\sigma^{2}(s, \theta)}\right\}$

其中， $\mu: S \times \mathbb{R}^{d'} \to \mathbb{R}$ 和 $\sigma: S \times \mathbb{R}^{d'} \to \mathbb{R}^{+}$ 为函数近似。

一般来说，将策略的参数向量分成两个部分，即 $\theta = [\theta_{\mu}, \theta_{\sigma}]^{\mathrm{T}}$ 。例如，均值可以近似为一个线性函数，而考虑到标准差非负，采用线性函数的指数近似，即

$\mu(s, \theta) = \mu(s, \theta_{\mu}) = \theta_{\mu}^{\mathrm{T}} \phi_{\mu}(s), \qquad \sigma(s, \theta) = \sigma(s, \theta_{\sigma}) = \exp(\theta_{\sigma}^{\mathrm{T}} \phi_{\sigma}(s))$

三、策略目标函数

1. 稳态分布

我们使用马尔科夫链来说明稳态分布。马尔科夫链的稳态分布是指这样一个分布向量 $d(s) = [d(s_{1}), \cdots, d(s_{n})]^{\mathrm{T}}$ ，其满足

$d(s) = P d(s)$

其中， $P$ 为状态转移矩阵。这意味着，若马尔科夫链在某个时刻达到稳态分布，则其自此以后将保持为稳态分布。我们也可以用写出稳态分布的分量表达式

$d(s_{i}) = \sum_{s \in S} d(s_{i}) p_{ij}$

对于马尔可夫决策过程来说，其状态转移除了与当前状态有关，还与当前动作有关，故其稳态分布的每个分量 $i$ 应满足

$d(s_{i}) = \sum_{s \in S} d(s) \sum_{a \in A} \pi(a|s) p(s_{i} | s, a)$

2. 总回报目标函数

后文主要采用此目标函数说明。

$J(\theta) = E\left[\sum_{\tau=t}^{T} \gamma^{\tau - t} r_{\tau}\right]$

3. 平均回报目标函数

$J(\theta) = \lim_{N \to \infty} \dfrac{1}{N} E\left[ \sum_{\tau = t}^{t + N - 1} r_{\tau} \right]$

四、策略梯度算法

Datawhale提供的资料里首先给出了基于轨迹的推导，而后给出了基于稳态分布的另一种推导方式。在参考资料3中，前者称为基于轨迹概念的梯度推导（Gradient Derivation from Trajectory Concept），后者称为基于级联概念的梯度推导（Gradient Derivation from Cascading Concept）。

1. 基于轨迹的梯度推导

相关内容可见参考资料1、3。

基于轨迹的目标函数可以表示为

$J(\theta) = E_{\mathcal{T} \sim \rho_{\theta}}[R(\mathcal{T})] = \sum_{\mathcal{T}} \rho_{\theta}(\mathcal{T}) R(\mathcal{T})$

其中， $\rho_{\theta}(\mathcal{T})$ 为轨迹 $\mathcal{T} = \{s_{t}, a_{t}, \cdots, s_{T-1}, a_{T-1}, s_{T}\}$ 的生成的概率，其值为

$\begin{aligned} \rho_{\theta}(\mathcal{T}) &= d(s_{t}) \pi_{\theta}(a_{t} | s_{t}) p(s_{t+1} | s_{t}, a_{t}) \pi_{\theta}(a_{t+1} | s_{t+1}) p(s_{t+2} | s_{t+1}, a_{t+1}) \cdots \\ &= d(s_{t}) \prod_{\tau = t}^{T-1} \pi_{\theta}(a_{\tau} | s_{\tau}) p(s_{\tau + 1} | s_{\tau}, a_{\tau}) \end{aligned}$

简单期间，忽略折扣因子 $\gamma$ ，则轨迹 $\mathcal{T}$ 的累积奖励为

$R(\mathcal{T}) = \sum_{\tau = t}^{T-1} r_{\tau}$

现在我们要对目标函数关于参数 $\theta$ 求导，含参数 $\theta$ 的仅有 $\rho_{\theta}(\mathcal{T})$ ，故只需考虑 $\rho_{\theta}(\mathcal{T})$ 关于参数 $\theta$ 的梯度。采用对数微分技巧，即

$\nabla_{\theta} \rho_{\theta}(\mathcal{T}) = \rho_{\theta}(\mathcal{T}) \dfrac{\nabla_{\theta} \rho_{\theta}(\mathcal{T})}{\rho_{\theta}(\mathcal{T})} = \rho_{\theta}(\mathcal{T}) \nabla_{\theta} \log \rho_{\theta}(\mathcal{T})$

由此，问题从求 $\rho_{\theta}(\mathcal{T})$ 的梯度变成了求 $\log \rho_{\theta}(\mathcal{T})$ 的梯度，将 $\rho_{\theta}(\mathcal{T})$ 展开，即得

$\begin{aligned} \nabla_{\theta} \log \rho_{\theta}(\mathcal{T}) &= \nabla_{\theta} \log d(s_{t}) + \sum_{\tau=t}^{T-1} (\nabla_{\theta} \log \pi_{\theta}(a_{\tau} | s_{\tau}) + \nabla_{\theta} \log p(s_{\tau + 1} | s_{\tau}, a_{\tau})) \\ &= \sum_{\tau=t}^{T-1} \nabla_{\theta} \log \pi_{\theta}(a_{\tau} | s_{\tau}) \end{aligned}$

根据上面的分析，我们可以很容易地求出目标函数的梯度，即

$\begin{aligned} \nabla_{\theta} J(\theta) &= \nabla_{\theta} E_{\mathcal{T} \sim \rho_{\theta}}[R(\mathcal{T})] = \nabla_{\theta} \sum_{\tau} \rho_{\theta}(\mathcal{T}) R(\mathcal{T}) = \sum_{\mathcal{T}} \rho_{\theta}(\mathcal{T}) \nabla_{\theta} \log \rho_{\theta}(\mathcal{T}) R(\mathcal{T}) \\ &= E_{\mathcal{T} \sim \rho_{\theta}}[\nabla_{\theta} \log \rho_{\theta}(\mathcal{T}) R(\mathcal{T})] = E_{\mathcal{T} \sim \rho_{\theta}}\left[ \sum_{\tau=t}^{T-1} \nabla_{\theta} \log \pi_{\theta}(a_{\tau} | s_{\tau}) R(\mathcal{T}) \right] \\ &= E_{\mathcal{T} \sim \rho_{\theta}}\left[ \sum_{\tau=t}^{T-1} \nabla_{\theta} \log \pi_{\theta}(a_{\tau} | s_{\tau}) \sum_{\tau=t}^{T-1} r_{\tau} \right] \end{aligned}$

2. 基于级联的梯度推导

基于级联的目标函数可以表示为

$J(\theta) = \sum_{s_{t}} d(s_{t}) V_{\pi_{\theta}}(s_{t})$

其中， $d$ 表示平稳分布。具体推导过程略。相关内容可见参考资料2、3、4。

由此可得策略梯度定理

$\begin{aligned} \nabla_{\theta} J(\theta) &\propto \sum_{s} d(s) \sum_{a} Q_{\pi_{\theta}}(s, a)\nabla_{\theta} \pi_{\theta}(a | s) ) \\ &= E_{s \sim d}[E_{a \sim \pi_{\theta}} [Q_{\pi_{\theta}}(s, a) \nabla_{\theta} \log \pi_{\theta}(a|s) ]] \\ &= E_{\pi_{\theta}}[Q_{\pi_{\theta}}(s, a) \nabla_{\theta} \log \pi_{\theta}(a|s) ] \end{aligned}$