在一个包含Actor、Env、Reward Function的强化学习的情景中,Env和Reward Function是你所不能控制的。
Actor的策略π\piπ是一个参数为θ\thetaθ的网络
策略执行的过程可以表示为一个迹(Trajectory)τ={s1,a1,s2,a2,...,sT,aT}\tau=\{s_1,a_1,s_2,a_2,...,s_T,a_T\}τ={s1,a1,s2,a2,...,sT,aT}
pθ(τ)=p(s1)pθ(a1∣s1)p(s2∣s1,a1)pθ(a2∣s2)...=p(s1)∏pθ(at∣st)p(st+1∣st,at)p_{\theta}(\tau)=p(s_1)p_\theta(a_1|s_1)p(s_2|s_1,a_1)p_\theta(a_2|s_2)...=p(s_1)\prod p_\theta(a_t|s_t)p(s_{t+1}|s_t,a_t)pθ(τ)=p(s1)pθ(a1∣s1)p(s2∣s1,a1)pθ(a2∣s2)...=p(s1)∏pθ(at∣st)p(st+1∣st,at)
引入奖励机制的话:
策略π\piπ的奖励期望: R‾θ=∑R(τ)pθ(τ)=Eτ∼pθ(τ)[R(τ)]\overline{R}_\theta=\sum R(\tau)p_\theta(\tau)=E_{\tau \sim p_\theta(\tau)}[R(\tau)]Rθ=∑R(τ)pθ(τ)=Eτ∼pθ(τ)[R(τ)]
策略π\piπ的总奖励: R(τ)=∑t=1TrtR(\tau)=\sum_{t=1}^Tr_tR(τ)=t=1∑Trt
策略梯度的计算方法: ∇R‾θ=∑R(τ)∇pθ(τ)=∑R(τ)pθ∇pθ(τ)pθ(τ)\nabla \overline{R}_\theta = \sum R(\tau)\nabla p_\theta(\tau)=\sum R(\tau)p_\theta \frac{\nabla p_\theta(\tau)}{p_\theta(\tau)}∇Rθ=∑R(τ)∇pθ(τ)=∑R(τ)pθpθ(τ)∇pθ(τ)
由上式,计算策略梯度是,R(τ)R(\tau)R(τ)不需要必须是可微的,甚至可以是一个黑盒。因为不需要对它进行求导。
借助∇f(x)=f(x)∇logf(x)\nabla f(x)=f(x)\nabla logf(x)∇f(x)=f(x)∇logf(x),可得:
∇R‾θ=∑R(τ)pθ(τ)∇logpθ(τ)=Eτ∼pθ(τ)[R(τ)∇logpθ(τ)]\nabla \overline{R}_\theta = \sum R(\tau)p_\theta(\tau)\nabla logp_\theta(\tau)=E_{\tau\sim p_\theta(\tau)}[R(\tau)\nabla logp_\theta(\tau)] ∇Rθ=∑R(τ)pθ(τ)∇logpθ(τ)=Eτ∼pθ(τ)[R(τ)∇logpθ(τ)]≈1N∑n=1NR(τn)∇logpθ(τn)=1N∑n=1N∑t=1TnR(τn)∇logpθ(atn∣stn)\approx \frac{1}{N}\sum_{n=1}^{N}R(\tau^n)\nabla logp_\theta(\tau^n)=\frac{1}{N}\sum_{n=1}^N\sum_{t=1}^{T_n}R(\tau^n)\nabla logp_\theta(a_t^n|s_t^n)≈N1n=1∑NR(τn)∇logpθ(τn)=N1n=1∑Nt=1∑TnR(τn)∇logpθ(atn∣stn)
也就是说,我们是以采样求和的方式来逼近概率分布pθ(τ)p_\theta(\tau)pθ(τ)下的期望的。
在给定策略πθ\pi_\thetaπθ的条件下,我们采用梯度下降类似的策略梯度上升的方法来更新模型,注意每一个迹(Trajectory) 仅使用一次。
可以使用Tensorflow或者pyTorch来实现这个过程:
策略梯度在实现上有一些小技巧: 技巧一:添加基准线
在很多情况下,reward可能都只有正的,没有负的。因为实际计算是使用采样的方法来逼近期望的,所有概率的和应该等于1以保证概率有意义,那么上图中没有被采样到的动作a的概率会下降。
梯度计算时,在奖励函数R的部分添加一个负的偏移量b,这个偏移量b可以简单取整个奖励函数在迹τ\tauτ上的期望,这样就形成了一个基准线。高于基准线算出来的log概率是正的,低于基准线算出来log概率是负的。这会使得计算梯度的每一项有增有减,并且只有reward高于基准线,才让其action概率增加,从而解决了单纯因为没有采样导致某个action概率大规模下降的问题。
技巧二:采取更恰当的奖励:
以左半部分为例,上图的意思是,计算action a1a_1a1的reward,原本是只看(sa,a1)(s_a,a_1)(sa,a1)这一个pair,但由于执行了a1a_1a1导致执行a3a_3a3时会被扣2分,所以a1a_1a1的reward应该是+3而不是+5。
所以计算reward的更为恰当的方法是,计算执行该步action后的reward总和。
更近一步还可以添加一个折扣因子γ\gammaγ:
因为我们计算一个action的reward是采用对当前步及以后步求和方式进行的,所以前面步的action会对后面步的action的reward产生影响。引入γ\gammaγ是为了使得距离越远的action对当前action的reward影响越小。
最后,b也可以是状态独立的,即每一个state都独有一个b。
还有一种方法是采用基于Actor-Critic模式的优势函数(Advantage function): Aθ(st,at)A^\theta(s_t,a_t)Aθ(st,at)来替代R(τn)−bR(\tau^n)-bR(τn)−b。优势函数衡量了在观察sts_tst下采取动作ata_tat而不是其他动作的好坏程度,由critic给出。