DDPG(deep deterministic policy gradient)——连续控制的深度确定性策略梯度

DDPG(deep deterministic policy gradient)——连续控制的深度确定性策略梯度

学习记录，有错误感谢指出

基本概念

---

       深度确定性策略梯度（DDPG）是当前最常用的连续控制方法. ”深度“表明其使用了深度神经网络，”确定性“表明其输出的是确定的动作。

DDPG属于一种actor-critic的方法，它有一个策略网络(actor)和一个价值网络(critic).

• 策略网络控制agent，它基于状态s输出动作a.
• 价值网络不控制agent，它只是基于状态s对动作a打分，从而指导策略网络做出改进.

相关定义：

1. 确定性策略网络μ：定义为一个函数，每一步的action可以通过$a_t=\mu (s_t)$，其参数为${\theta }^{\mu }$

2. 行为策略 $behaviorpolicy\beta$：在RL训练过程中，为了同时兼顾 exploration和exploitation，采用异策略方法，即行为策略可以不同于目标策略.

   • 目标策略(target policy)：确定性策略网络$\mu (s;{\theta }_{new})$，其中${\theta }_{new}$是策略网络最新的参数.

   • 行为策略(behavior policy)：为行为策略加入随机噪声：$a=\mu (s;{\theta }_{old})+ϵ$.

   • 异策略的好处是可以把收集经验与训练神经网络分开进行；将根据behavior policy收集的经验存放至replay buffer，在训练target policy的时候，重复利用收集到的经验，如下图所示：

​       利用behavior policy与环境进行交互，将agent的轨迹整理成$(s_t,a_t,r_t,s_{t+1})$这样的四元组存放在经验回放缓存(replay buffer)中. 在训练的时候，随机从缓存中取出四元组进行训练.

DDPG网络框架

---

       DDPG是actor-critic的结构，同时引入DQN的思想(online和target 网络)

       如果对actor和critic只使用Q神经网络的话，学习过程不稳定，这是由bootstrapping带来的问题(Q神经的参数在被更新的同时，又用于计算Q网络和策略网络的gradient)

       所以，DDPG分别为策略网络和价值网络各创建了两个神经网络的拷贝，一个叫online，一个叫target：

       在训练完一个batch后，SGD算法实时更新online网络的参数，随后再通过soft update算法更新target网络的参数.

• 优点：target网络参数变化小，用于在训练过程中计算online网络的gradient，比较稳定，训练易于收敛。
• 缺点：参数变化小，学习过程变慢。

训练流程

---

下面以四元组$(s_t, a_t, r_t, s_{t+1})$为例，介绍训练流程.

1.更新价值网络(Critic)

       训练价值网络$q(s,a;w)$时，需要用到 四元组的$s_t,a_t,r_t,s_{t+1}$全部四个元素.

​ 1）首先计算TD Target

       ①由 Target 策略网络预测 $s_{t+1}$对应的下一动作： ${\hat{a}}_{t+1}=\mu (s_{t+1};{\theta }^{-})$

       ②由 Target 价值网络计算 TD Target： ${\hat{y}}_t=r_t+\gamma \cdot q(s_{t+1},{\hat{a}}_{t+1};w^{-})$

​ 2）让 online 价值对状态 $（s_t,a_t)$ 预测action value的值
$${\hat{q}}_t=q(s_t,a_t;w)$$
​ TD Error为： ${\delta }_t={\hat{q}}_t-{\hat{y}}_t$

​ 3）对N个样本计算误差的平均值，进行梯度下降更新参数

        价值网络的loss定义：类似于监督学习，定义loss为MSE损失( mean squared error)：
$$Loss=\frac{1}{N}\sum _i({\hat{q}}_i-{\hat{y}}_i{)}^2$$
​ 注意：TD Target ${\hat{y}}_i$ 的计算使用的是target策略网络 和 target价值网络，这样做是为了使学习更加稳定，易于收敛.

2.更新策略网络(Actor)

       训练策略网络$\mu (s;\theta )$时，只需要用到四元组中的状态$s_t$.

       输入状态$s_t$，策略网络会输出一个动作$a_t=\mu (s_t)$，将这个动作输入价值网络，得到该动作的打分：$\hat{\mathrm{q}}=\mathrm{q}(\mathrm{s},\mathrm{a};\mathrm{w})$. 策略网络的参数$\theta$通过影响 $a_t$ 进而影响 Critic 的打分$\hat{q}$. 因此分数$\hat{q}$可以反映$\theta$的好坏. 所以令分数$\hat{q}$作为目标函数，通过对$\theta$进行梯度上升来改进Actor.

       训练策略网络(Actor)的目的就是让它迎合价值网络(Critic)，使其输出的action可以得到更高的分数，即选择更好的动作.

推导过程

       对于状态$s_t$，可以经过策略网络和价值网络后，可以得到打分为：
$$q(s,\mu (s;\theta );w)$$
       我们希望打分的期望值尽量高，故将目标函数定义为打分的期望：
$$J(\theta )=E_S[q(s,\mu (S,\theta );w)]$$
       上式关于状态S求期望，消除了S的影响. 即不管面对什么样的状态S，策略网络Actor都应该输出较好的动作，使得平均分$J(\theta )$尽量高. 策略网络的学习可以建模成最大化问题：
$$\underset{\theta }{\max }J(\theta )$$
注意：这里我们只训练策略网络(Actor)，所以在最大化过程中我们优化的变量只是策略网络的参数$\theta$，即价值网络的参数$w$被固定住了，不会被更新.

       在真实训练过程中，我们用随机梯度上升进行训练. 即每次用随机变量 S 的一个观测值$s_j$来计算$J(\theta )$的梯度：
$$g_j={▽}_{\theta }q(s,\mu (s_j,\theta );w)$$
$g_j$叫做确定性策略梯度(DPG)

​ 下面再用链式法则计算出$g_j$，即：
$$\frac{\delta q}{\delta \theta }=\frac{\partial \mathrm{q}}{\partial a}\cdot \frac{\partial \mathrm{a}}{\partial \theta }$$

应用链式法则可以求得最终的确定性策略梯度
$${▽}_{\theta }q(s,\mu (s_j,\theta );w)={▽}_{\theta }\mu (s_j;\theta )\cdot {▽}_{a}q(s_j,\widehat{a_j};w),其中\widehat{a_j}=\mu (s_j;\theta )$$

       由此，我们最终得到更新$\theta$的算法. 即每次从 replay buffer中随机抽取一个状态，记作$s_j$. 计算策略网络做出的动作$\widehat{a_j}=\mu (s_j;\theta )$. 用梯度上升更新一次$\theta$.
$$\theta \leftarrow \theta +\beta \cdot {▽}_{\theta }\mu (s_j;\theta )\cdot {▽}_{a}q(s_j,\widehat{a_j};w).$$
此处的$\beta$是学习率.

总结

---

1.DDPG使用的是actor-critic的网络结构；

2.使用了target网络 和 online网络，两个结构完全相同的拷贝神经网络，在一定程度上避免了一个网络的bootstrapping带来的高估问题，使收敛更有保障；

3.DDPG使用了experience replay memory：通过behavior policy与环境进行交互时，产生的transition在时间序列上是高度关联的，如果这些数据序列直接用于训练，会导致神经网络的overfit，不易收敛。DDPG的actor将transition数据先存入experience replay buffer, 然后在训练时，从experience replay buffer中随机采样batch的数据，可以消除样本间的关联性.

Reference:

https://blog.csdn.net/kenneth_yu/article/details/78478356

《深度强化学习》——王树森；黎彧君；张志华