【强化学习】Policy Gradient原理

1.Policy Gradient和DQN系列强化算法最大的区别在于：
DQN系列基于Value，也就是说执行完所有的动作并保存所得到的价值，根据这些价值计算出最优价值函数，并以此选择动作，最终获得一个特定的策略。
Policy Gradient基于策略来选择动作，Value Based方法中将动作价值函数进行近似，引入了一个动作价值函数q^，状态s和动作a为输入，价值函数输出，得到近似的动作价值。
PG中采用类似的思路，将策略表示成一个连续的函数之后，使用连续函数的优化方法寻找最优策略。

2.Policy Gradient要想得到最优策略需要经过这么几个步骤：
1.得有一个连续的函数，有了连续的函数才能使用连续 函数的优化方法寻找最优策略。我们类比DQN中的方法，将策略Π表示为一个连续的函数（这里只是把她表示出来，具体是需要详细的设计的）：

2.找到一个可以优化的函数目标。最简单的优化目标是初始状态收获的期望

但有的问题没有明确的初始状态，这时可以将优化目标定义为平均价值

或者每一步的平均奖励

得到这个目标函数之后，我们要对他求一个梯度，为啥要求梯度呢，特意去翻了翻高数知识，梯度是指方向导数的最大值，梯度向量的方向即为函数值增长最快的方向，所以。有了梯度之后我们就可以随时找到函数值变化最大的方向，就可以实时的更新策略函数的参数从而找到最优策略了。

其中，我们把
这块称为分值函数

这大概就是PG的大概思路，所以我们接下来只要设计一个合适的策略函数，前面的就通了。

关于设计合适的策略函数，最常用的策略函数就是softmax策略函数了，它主要应用于离散空间，使用描述状态和行为的特征 ϕ（s,a)和参数
θ的线性组合来权衡一个行为发生的几率

策略函数表示出来了！接下来就按照前面的流程，求导得对应的分值函数：

好了我们现在想要的东西都得到了，接下来我们设计策略梯度算法，给它把数学符号和公式想办法变成代码就完工了！
下面这个就是一种最简单的策略梯度算法：

3.Softmax是什么？
https://blog.csdn.net/bitcarmanlee/article/details/82320853?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161853644116780366579767%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=161853644116780366579767&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_alltop_positive~default-1-82320853.pc_search_result_no_baidu_js&utm_term=softmax
如果将max看成一个分类问题，就是非黑即白（两个变量a，b，如果a>b,则max为a，fan’zhi），最后的输出是一个确定的变量。更多的时候，我们希望输出的是取到某个分类的概率，或者说，我们希望分值大的那一项被经常取到，而分值较小的那一项也有一定的概率偶尔被取到，所以我们就应用到了soft的概念，即最后的输出是每个分类被取到的概率。

4.交叉熵损失函数
https://blog.csdn.net/bitcarmanlee/article/details/105619286
图片参考：
刘建平Pinard
https://www.cnblogs.com/pinard/p/10137696.html

下一篇是我的PG代码注释版本