论文链接:我是传送门
背景
传统对经验池进行均匀采用很明显是不合适的,因为有的经验是更加有帮助的,因此,提出了优先级经验回放(对经验设置优先级,按优先级大小采样)。本文对优先级经验回放采用分布式的设置,通过分布式获取多样性经验,达到更好的效果。
分布式强化学习通常是分布式求解梯度,并返回梯度信息。例如A3C,结构图如下,其中WORKERS给GLOBAL NETWORK提供的是权重更新的梯度,而本文的想法是WORKERS给GLOBAL NETWORK提供经验(transition)。
为什么分布式经验回放比分布式求梯度效果好?
其中一个原因是:初始化很多个actor后,由于梯度信息代表的了当前网络更新参数的方向,就算我们初始化所有actor都一样,但是如果有的actor训练比较快,那它也会优于其它actor网络,但是梯度信息会导致我们更新参数的方向存在较大差异。说白了,就是梯度信息的时效性比较短,较差的actor提供的梯度信息相比于好的actor已经没有价值了。
但是经验不一样啊,经验以(s,a,s’,r)存储,设想一下,假如一个差的actor产生了一个有价值的经验那很好,假如产生了没有价值的经验,首先该经验是没有价值的