【强化学习】确定性策略强化学习-DPG&DDPG算法推导及分析

一、DGP推导

本篇介绍确定性策略梯度算法，该算法主要用于off-policy（on-policy也能用）。在DQN等值函数估计算法中，最终策略的形式是需要对动作状态值函数取极大$a={\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}}_{a^{\prime }}Q(s,a^{\prime })$，这种方法只能用在有限的离散动作空间中，无法应用在较大离散空间或是连续的动作空间。

随机策略梯度法的核心公式为
$${\nabla }_{\theta }J(\theta )=E_{\tau \sim {\pi }_{\theta }}[(\sum _{t=0}^T{\nabla }_{\theta }\log {\pi }_{\theta }(a_{i,t}|s_{i,t}))(\sum _{t=0}^{T}r(s_{i,t},a_{i,t}))]$$
策略梯度算法直接对轨迹的价值函数求导，因此它不用完成最优动作选取的过程，就算在AC算法中也是使用的$r_t+v(s_{t+1})-v(s_t)$，不需要选取下一次的动作。但这种方法是on-policy算法，非常依赖与环境交互的过程，并且无法利用之前采样的数据进行更新策略，造成资源的浪费。DQN可以采用off-policy算法进行学习，DPG是将这两种方法的优势相结合。

DPG与DQN都是采用e-greedy的方法与环境进行交互，因为DPG是确定性策略，可以在确定的行动上加上噪声作为随机策略。

DPG与随机策略梯度算法相同，也是直接对轨迹的期望价值函数进行求导，公式推导如下所示
$${\nabla }_{\theta }{v}_{\mu }(s)={\nabla }_{\theta }[q_{\mu }(s,{\mu }_{\theta }(s))]$$
与随机策略不同，确定性策略的价值函数与确定性策略有关，因此求导时应该使用链式法则，如下所示
$${\nabla }_{\mu (s)}{q}_{\mu }(s,\mu (s)){\nabla }_{\theta }{\mu }_{}$$