DRL实战：DDPG & A3C | Gym环境中经典控制问题Pendulum-v0

（一）“Pendulum-v0”

• 倒立摆问题是控制文献中的经典问题。这里钟摆以随机位置开始，目标是将其向上摆动，使其保持直立。
• 类型：连续控制
  

Observation & State

n	Observation	Min	Max
0	$\cos (theta)$	-1.0	1.0
1	$\sin (theta)$	-1.0	1.0
2	theta dot	-8.0	8.0

• State是Pendulum的角度和角速度（theta和thetadot）
• State是最原始的环境内部的表示，Observation则是State的函数。

Action

n	Action	Min	Max
0	Joint effort	-2.0	2.0

self.action_space = spaces.Box(
            low=-self.max_torque,
            high=self.max_torque, shape=(1,),
            dtype=np.float32
        )

• 这是Action的定义，对于Pendulum问题来说，动作空间只有一个维度，就是电机的控制力矩，且有最大值和最小值的限制。

Reward

costs = angle_normalize(th) ** 2 + .1 * thdot ** 2 + .001 * (u ** 2)

• 这是代价，而$Reward=-cost$，即：
  $$-\left({\theta }^2+0.1\times {\theta }_{dt}^2+0.001\times actio{n}^2\right)$$
  • $\theta$在$-\pi$和$\pi$之间归一化
  • 因此，The lowest reward是$-\left({\pi }^2+0.1\times 8^2+0.001\times 2^2\right)=-16.2736044$
  • The highest reward是$0$
  • 实质上，目标是保持零角度（垂直），旋转速度最小，力度最小

参考文档：https://github.com/openai/gym/wiki/Pendulum-v0

---

（二）A3C & DDPG

• 两种算法使用的架构都是actor-critic架构，不同的在于A3C的提出引入了并发的思想，通过多个线程独立地与环境交互，同时异步也打破了数据的相关性；而DDPG则是将DQN从离散动作空间扩展至连续动作空间，并借鉴了DQN的两个技巧：经验回放、目标网络。（See DDPG 、A3C for more details.）

A3C

Hyper Parameters：

GAME = 'Pendulum-v0'
N_WORKERS = multiprocessing.cpu_count() # number of threads
MAX_EP_STEP = 200 # steps for one episode
MAX_GLOBAL_EP = 2000  # total episodes
GAMMA = 0.9 # reward discount
UPDATE_GLOBAL_ITER = 10 # update global network per 10 steps
ENTROPY_BETA = 0.01  # for exploration

LR_A = 0.0001  # learning rate for actor
LR_C = 0.001  # learning rate for critic

Test 1

• 2000 Episodes时（其他参数未变，如上），Total Moving Reward曲线：
  

• 4000 Episodes时（其他参数未变，如上），Total Moving Reward曲线：
  
  可以看到总奖励2000-4000episodes收敛趋于稳定

Test 2

• 尝试改变ENTROPY_BETA = 0.01，将其设置为比0.01小的0.001。（其他参数未变）
• Larger entropy means more stochastic actions
• 可以发现奖励曲线的变化，该算法在这里的表现没有之前理想，进行4000episode也没有稳定：
  
  

Test 3

• 这里尝试修改学习率参数为：LR_A = 0.001、LR_C = 0.001，结果如下：
  
• 尝试修改为：LR_A = 0.001、LR_C = 0.002，结果如下（表现可能优于上图，不过这两种尝试的表现都未优于LR_A = 0.0001、LR_C = 0.001）：
  

Test 4

• 最后尝试对比不同更新主网络参数的频率
• 修改参数：UPDATE_GLOBAL_ITER = 100（其他参数不变）
  
  各位可以尝试一些10到100之间的值。

DDPG

Test 1

Hyper Parameters：

ENV_NAME = 'Pendulum-v0'
MAX_EPISODES = 2000
MAX_EP_STEPS = 200
LR_A = 0.001  # learning rate for actor
LR_C = 0.002  # learning rate for critic
GAMMA = 0.9  # reward discount
TAU = 0.01  # soft replacement
MEMORY_CAPACITY = 10000
BATCH_SIZE = 32

• 训练时长近800秒，结果如下：
  
  可以看出500-1000episode左右总奖励就趋于稳定。

---

总结：DDPG vs A3C

1. 可以看出，在Pendulum问题上，DDPG的收敛性优于A3C；
2. 不过，需要注意的是，训练2000episode，DDPG用时在800秒左右，而A3C仅用时140秒（A3C在4000episode也仅用时270秒）。
3. 总的来说，通过这次对比，A3C和DDPG各有优势。不同的问题上2个算法的表现互有优劣（后面将在不同的问题进行对比学习），不能因为一个问题上的表现下结论哪个更好。当问题的规模中等或者偏小的时候，DDPG效果更佳。但是当问题的规模很大，DDPG训练较慢的时候，A3C会更有优势，因为A3C天生就是可以并行的

---

My Code：
https://github.com/catchy666/Reinforcement-Learning-Demo

相关参考：
https://www.cnblogs.com/pinard/p/10345762.html
https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow