回顾
Deep Deterministic Policy Gradient (DDPG) 文章里提到了 DDPG 存在的三个缺点。
高估问题target Q 网络和参数更新顺序问题DPG 的方式增大了方差（可以采取类似期望 Sarsa 的方式减小方差）
算法描述
我们先来看问题 1 和 3，TD3 提出了 Clipped Double Q-Learning 和 Target Policy Smoothing Regularization 来解决，针对问题 2，提出了 Delayed Policy Updates。
Clipped Double Q-Learning
我们知道 DDPG 里面的 target Q 网络是：
r
+
γ
N
N
t
a
r
g
e
t
(
s
t
+
1
,
N
N
a
c
t
i
o
n
_
t
a
r
g
e
t
(
s
t
+
1
,
θ
)
,
w
)
r + \gamma NN_{target}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w)
r+γNNtarget(st+1,NNaction_target(st+1,θ),w)
N
N
t
a
r
g
e
t
NN_{target}
NNtarget 预测是有可能高估的，一个网络可能高估，那么我们可以来两个（更多个，理论上效果更好），取最小的那个作为预测，就可以一定程度上缓解高估问题。
target Q1:
r
+
γ
N
N
t
a
r
g
e
t
q
1
(
s
t
+
1
,
N
N
a
c
t
i
o
n
_
t
a
r
g
e
t
(
s
t
+
1
,
θ
)
,
w
1
)
r + \gamma NN_{target_{q1}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w1)
r+γNNtargetq1(st+1,NNaction_target(st+1,θ),w1)
target Q2:
r
+
γ
N
N
t
a
r
g
e
t
q
2
(
s
t
+
1
,
N
N
a
c
t
i
o
n
_
t
a
r
g
e
t
(
s
t
+
1
,
θ
)
,
w
2
)
r + \gamma NN_{target_{q2}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w2)
r+γNNtargetq2(st+1,NNaction_target(st+1,θ),w2)
min(target Q1, target Q2) 作为最终的 target_Q。
Target Policy Smoothing Regularization
之前的文章 蒙特卡洛方法（MC）和时序差分（TD）介绍了期望 Sarsa 的方法，是一种比 Sarsa（DDPG 是本质上是 Sarsa）更稳定的方法，因为取了期望，相当于考虑了更多的动作，所以也可以用到 DDPG 里。
l o s s q = ( r + γ N N t a r g e t ( s t + 1 , N N a c t i o n _ t a r g e t ( s t + 1 , θ ) , w ) ⏟ t d − t a r g e t − N N ( s t , N N a c t i o n ( s t + 1 , θ ′ ) + ϵ , w ′ ) ) 2 loss_q = (\underbrace{r + \gamma NN_{target}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w)}_{td-target} - NN(s_{t}, NN_{action}(s_{t+1}, \theta') + \epsilon , w'))^{2} lossq=(td−target r+γNNtarget(st+1,NNaction_target(st+1,θ),w)−NN(st,NNaction(st+1,θ′)+ϵ,w′))2
lossq 实际上是平均平方误差（MSE，之前只是以一个采样为例子，所以没求平均），所以引入探索性后，就类似期望 Sarsa 那样。
我们知道 DDPG 动作网络也引入了随机扰动
σ
\sigma
σ
N N ( s t , N N a c t i o n ( s t + 1 , θ ′ ) + σ ) NN(s_{t}, NN_{action}(s_{t+1}, \theta') + \sigma) NN(st,NNaction(st+1,θ′)+σ)
我们可以直接把这个扰动加到 target_Q 里面，来增强探索性吗？
当然不可以，这两个随机扰动的目的不同：
前者是为了经验回放采样数据的时候，获得更多的探索性，所以可以随心所欲的探索。
而后者是为了减小 target_Q 预测的方差，所以不应该随心所欲的探索，只是在当前状态动作附近的探索，因而应该给
σ
\sigma
σ
加上限制：
ϵ ′ ∼ clip ( N ( 0 , σ ) , − c , c ) \epsilon' \sim \operatorname{clip}(\mathcal{N}(0, \sigma),-c, c) ϵ′∼clip(N(0,σ),−c,c)
所以更新为：
target Q1:
r
+
γ
N
N
t
a
r
g
e
t
q
1
(
s
t
+
1
,
N
N
a
c
t
i
o
n
_
t
a
r
g
e
t
(
s
t
+
1
,
θ
)
+
ϵ
′
,
w
1
)
r + \gamma NN_{target_{q1}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta) + \epsilon', w1)
r+γNNtargetq1(st+1,NNaction_target(st+1,θ)+ϵ′,w1)
targetQ2:
r
+
γ
N
N
t
a
r
g
e
t
q
2
(
s
t
+
1
,
N
N
a
c
t
i
o
n
_
t
a
r
g
e
t
(
s
t
+
1
,
θ
)
+
ϵ
′
,
w
2
)
r + \gamma NN_{target_{q2}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta) + \epsilon', w2)
r+γNNtargetq2(st+1,NNaction_target(st+1,θ)+ϵ′,w2)
l o s s q 1 = ( r + γ N N t a r g e t q 1 ( s t + 1 , N N a c t i o n _ t a r g e t ( s t + 1 , θ ) , w 1 ) ⏟ t d − t a r g e t − N N ( s t , N N a c t i o n ( s t + 1 , θ ′ ) + ϵ , w 1 ′ ) ) 2 loss_{q1} = (\underbrace{r + \gamma NN_{target_{q1}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w1)}_{td-target} - NN(s_{t}, NN_{action}(s_{t+1}, \theta') + \epsilon , w1'))^{2} lossq1=(td−target r+γNNtargetq1(st+1,NNaction_target(st+1,θ),w1)−NN(st,NNaction(st+1,θ′)+ϵ,w1′))2
l o s s q 2 = ( r + γ N N t a r g e t q 2 ( s t + 1 , N N a c t i o n _ t a r g e t ( s t + 1 , θ ) , w 2 ) ⏟ t d − t a r g e t − N N ( s t , N N a c t i o n ( s t + 1 , θ ′ ) + ϵ , w 2 ′ ) ) 2 loss_{q2} = (\underbrace{r + \gamma NN_{target_{q2}}(s_{t+1}, NN_{action\_target}(s_{t+1}, \theta), w2)}_{td-target} - NN(s_{t}, NN_{action}(s_{t+1}, \theta') + \epsilon , w2'))^{2} lossq2=(td−target r+γNNtargetq2(st+1,NNaction_target(st+1,θ),w2)−NN(st,NNaction(st+1,θ′)+ϵ,w2′))2
l o s s q = l o s s q 1 + l o s s q 2 loss_q = loss_{q1} + loss_{q2} lossq=lossq1+lossq2
Delayed Policy Updates
这个很简单，看名字就能猜出来干了什么，就是 ω \omega ω 和 θ \theta θ 不同时更新，且 θ \theta θ 更新在 ω \omega ω 更新几轮后，如果同时更新，相当于每次更新后，对相同的 state 产生了不同的 q 值，想当于引入新的残差 q(s, a) - q(s,a’)。所以为了减小这种误差， θ \theta θ 更新在 ω \omega ω 更新几轮后。所以 TD3 的软更新变成了（这里和文章不一样，文章说的 Delayed Policy Updates 是包括参数软更新也延迟了，我这里参数软更新没有延迟，需要做实验验证一下，理论上应该差距不大） ：
ω 1 ← τ ω 1 ′ + （ 1 − τ ） ω 1 \omega1 \leftarrow \tau\omega1' + （1-\tau）\omega1 ω1←τω1′+（1−τ）ω1
ω 2 ← τ ω 2 ′ + （ 1 − τ ） ω 2 \omega2 \leftarrow \tau\omega2' + （1-\tau）\omega2 ω2←τω2′+（1−τ）ω2
延迟更新：
θ ← τ θ ′ + （ 1 − τ ） θ \theta \leftarrow \tau\theta' + （1-\tau）\theta θ←τθ′+（1−τ）θ
缺点
ϵ \epsilon ϵ是高斯分布，和 Q 没有关系，而且 Q 使用的是确定性策略，实际上针对连续动作空间，采用随机策略，并且随机扰动和 Q 相关，才是更合理的，因为不但增加了探索性，而且探索性和 Q 的大小是相关的，Q 越大随机策略的探索性应该越小。
改进
针对这一缺点，下篇文章对 SAC 进行介绍，感谢阅读。
5635
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
