TD3与DPG、DDPG、Double DQN解析

最新推荐文章于 2024-09-07 15:47:48 发布

温酒煮青梅

最新推荐文章于 2024-09-07 15:47:48 发布

阅读量2.5k

点赞数

分类专栏：深度强化学习文章标签：深度学习强化学习神经网络

本文链接：https://blog.csdn.net/weixin_44484715/article/details/115079604

版权

深度强化学习专栏收录该内容

5 篇文章 1 订阅

订阅专栏

本文详细解析了TD3（Twin Delayed DDPG）算法，对比了DPG、DDPG和DoubleDQN。TD3通过引入双Q网络和延迟更新策略，解决了高估问题，提高了连续动作空间的稳定性。此外，还介绍了DDPG的off-policy特性、目标网络和批归一化等关键改进，以及DoubleDQN如何缓解Q值高估问题。

摘要由CSDN通过智能技术生成

TD3与DPG、DDPG、Double DQN解析

文章目录

TD3与DPG、DDPG、Double DQN解析

0 - 前言

本文是对【上海交通-陈伟哲】的哔站TD3讲解视频做的笔记，图片均来自视频中或论文中，注意本文的阅读需要提前看一下TD3的原文

参考：

TD3参考：https://www.bilibili.com/video/BV1nE41117CR?from=search&seid=7053418203777412678

DDPG参考：https://www.jianshu.com/p/6fe18d0d8822

TD3原文：https://arxiv.org/abs/1802.09477v3

DDPG原文：https://arxiv.org/abs/1509.02971

1 - 回顾DPG

确定性策略梯度（DPG）中，critic评价（状态，动作）的值函数以及损失函数为：
在这里插入图片描述

由于使用两个critic，产生确定性连续动作的actor可以使用下面公式进行更新，即对actor的损失函数求梯度。求梯度又可以根据链式法则展开，该展开式被称为确定性策略梯度理论。需要注意的是，DPG本身是一个on-policy算法。

在这里插入图片描述

2 - 回顾DDPG

DDPG是在DPG的基础上，将AC机制与神经网络结合，DDPG的改进如下：

沿用DQN的Experience replay，使得原本on-policy的DPG变为off-policy的算法
同时沿用DQN的target network，能够使收敛更加稳定
在Q网络上采用batch normalization
在连续域动作产生上叠加噪声，使得action exploration更加有效

由于DDPG采用了类似DQN的双网络结构，而且Actor和Critic都有target-net和eval-net，也就是常说的目标网络和主网络，我们只需要训练动作估计网络（eval-actor-net）和状态估计网络（eval-critic-net）的参数，而目标网络（包括target-actor和target-critic）的参数是由前面两个网络每隔一定的时间复制过去的。

先看Critic这边，Critic这边的学习过程跟DQN类似，DQN根据下面的损失函数来进行网络学习，即目标Q值和估计的Q值的平方损失：

在这里插入图片描述

上面式子中Q(S,A)是根据状态估计网络得到的，A是动作估计网络传过来的动作。而前面部分R + gamma * maxQ(S’,A’)是现实的Q值，这里不一样的是，我们计算现实的Q值，不再使用贪心算法，来选择具有最大Q值的动作A’,而是eval-actor网络得到这里的A’。

下面式子就是DDPG更新critic网络参数的公式，eval-critic的训练还是基于目标Q值（即 $y_i$ ）和估计Q值（即Q(si,ai））的平方损失。估计Q值根据当前的状态S和eval-actor网络输出的动作A输入状态估计网络得到，而目标Q值根据现实的奖励R，以及将下一时刻的状态S’和target-actor网络得到的动作A’ 输入到target-actor网络而得到的Q值的折现值加和得到(这里运用的是贝尔曼方程)。

在这里插入图片描述

再来看actor这边的更新

在这里插入图片描述

这个式子看上去很吓人，但是其实理解起来很简单。假如对同一个状态，我们输出了两个不同的动作a1和a2，从状态估计网络得到了两个反馈的Q值，分别是Q1和Q2，假设Q1>Q2,即采取动作1可以得到更多的奖励，那么Policy gradient的思想就是增加a1的概率，降低a2的概率，也就是说，Actor想要尽可能的得到更大的Q值。所以Actor的损失可以简单的理解为得到的反馈Q值越大损失越小，得到的反馈Q值越小损失越大，因此只要对状态估计网络返回的Q值取个负号就好啦。

3 - 回顾Double DQN

Double DQN想解决的问题是：Q value在学习过程中经常会被高估（over-estimated）

高估会导致：Q value更新公式中贝尔曼方程每次都有取max操作，一旦某个（state，action）被高估，接下来该动作被max取中的几率会更大

在这里插入图片描述

看下面一张图，真实值（true value）以横线示出，能够观察到DQN估计值（DQN estimate）几乎是真实值的几倍，Double DQN在一定程度上改善了高估现象，但并没有完全消除

在这里插入图片描述

Double DQN采用的解决方式时：采用两个Q函数。

Q函数的更新过程为：每次在Q表中取出使Q值最大的a，在Q’表中取出这个a与下一状态 $s_{t+1}$ 对应的Q’值，与当前的奖励 $r_t$ 一起更新当前状态 $s_t$ 与当前 $a_t$ 对应的Q函数

在这里插入图片描述

Double DQN防止高估的原理在于：如果Q高估了动作a，那么Q’给出一个真实值，就会解决高估的问题，相当于Q‘在修正Q的高估。如果Q’高估了a，那么就只能寄希望于Q不会高估动作a。

4 - TD3算法

TD3全名为 Twin Delayed DDPG

TD3采用了Double Q Learning的思想，在actor-critic机制下，对于两个Q函数分别求y值（即目标值，也称为现实值、真实值）。 $\theta_1$ $\theta_2$ 分别是两个critic网络的参数， $\phi$ 是对应actor网络的参数，加单引号的均表示target network