https://blog.csdn.net/cindy_1102/article/details/87905272
Policy Gradient
术语和基本思想
基本组成:
- actor (即policy gradient要学习的对象, 是我们可以控制的部分)
- 环境 environment (给定的，无法控制)
- 回报函数 reward function (无法控制)
Policy of actor π\piπ:
如下图所示，Policy 可以理解为一个包含参数 θ\thetaθ的神经网络，该网络将观察到的变量作为模型的输入，基于概率输出对应的行动action
Episode:
游戏从开始到结束的一个完整的回合
actor的目标:
最大化总收益reward
Trajectory τ\tauτ:
行动action和状态state的序列
给定神经网络参数θ\thetaθ的情况下，出现行动状态序列 τ\tauτ的概率:
以下概率的乘积：初始状态出现的概率；给定当前状态，采取某一个行动的概率；以及采取该行动之后，基于该行动以及当前状态返回下一个状态的概率，用公式表示为：
给定一个行动状态序列 τ\tauτ, 我们可以得到它对应的收益reward，通过控制actor，我们可以得到不同的收益。由于actor采取的行动以及给定环境下出现某一个状态state是随机的，最终的目标是找到一个具有最大期望收益（即下述公式）的actor。
累积期望收益：采取某一个行动状态序列τ\tauτ的概率, 以及该行动状态序列对应的收益reward的乘积之和。
Policy Gradient
得出目标函数之后，就需要根据目标函数求解目标函数最大值以及最大值对应的policy的参数 θ\thetaθ。类比深度学习中的梯度下降求最小值的方法，由于我们这里需要求的是目标函数的最大值，因此需要采取的方法是梯度上升。也就是说，思想起点是一样的，即需要求出目标函数的梯度。
求解梯度的步骤如下，以前文所述目标函数为基础，对参数 θ\thetaθ 求导，其中，对概率加权的reward求和就是求reward的期望，因此有红框部分的改写，又因为训练的过程中会进行采样训练，采样个数为N，因此公式可以近似表示为N词采样得到的reward的平均。
Tip 1: 添加基准线
由于训练过程中采样是随机的，可能会出现某个行动不被采样的情况，这会导致采取该行动的概率下降；另外，由于采取的行动概率和为一，可能存在归一化之后，好的action的概率相对下降，坏的action概率相对上升的情况，因此需要引入一个基准线baseline bbb.
具体的例子：当policy决定采取的三个action a，b，c均有正的reward时，比如3,4,5，在计算各个action的概率的时候，本来应该给action c分配较大的概率，但是归一化之后，a的概率反而可能上升，c的概率可能会下降，与对应reward应该被分配的概率分布不符。但是引入baseline之后，可能a的reward会变为负，这样的话，采取该行动的概率就会下降。
Tip 2: 进一步考虑各个时间点的累积收益计算方式
考虑到在时间t采取的行动action与t时期之前的收益reward无关，因此只需要将t时刻开始到结束的reward进行加总。并且，由于行动action对随后各时间点的reward的影响会随着时间的推移而减小，因此加入折旧因子 γ\gammaγ 。
这样就得到了一个考虑比较全面，比较完善的梯度计算方式。
从on-policy到off-policy （反复多次使用经验）
术语和基本思想
On-policy: 学习到的agent以及和环境进行互动的agent是同一个agent
Off-policy: 学习到的agent以及和环境进行互动的agent是不同的agent
为什么要引入 Off-policy:
如果我们使用 πθ\pi_\thetaπθ 来收集数据，那么参数 θ\thetaθ 被更新后，我们需要重新对训练数据进行采样，这样会造成巨大的时间消耗。
目标：利用 πθ'\pi_{\theta}′πθ′ 来进行采样，将采集的样本拿来训练 θ\thetaθ ， θ'\theta′θ′ 是固定的，采集的样本可以被重复使用。
原理：Important sampling:
当我们只有通过另外一个分布得到的样本时，期望值可以做出以下更改，更换分布之后，需要使用重要性权重p(x)/q(x)p(x)/q(x)p(x)/q(x)来修正f(x)f(x)f(x).，这样就实现了使用q分布来计算p分布期望值。
需要注意的是，两个分布p，qp，qp，q之间的差别不能太大，否则方差会出现较大的差别。
先基于原始的分布p计算函数的方差，然后计算引入不同分布q之后得到的函数方差，可以发现两者得出的方差表达式后面一项相同，主要差别在于前面那一项，如果分布p和q之间差别太大，会导致第一项的值较大或较小，于是造成两者较大的差别。
如果p,qp, qp,q两个分布的差别过大，在训练的过程中就需要进行更多次数的采样。
比如下图中，实际分布p和辅助分布q差别较大，横轴左边表示收益为负，右边表示收益为正。蓝色的线表示真实分布p的分布，主要集中在左边，也就是说，真实情况下reward的期望值应该是负的。
但是由于辅助分布q，即绿色线，主要集中在右侧，因此在采样的时候采到右边的概率更大，可能会导致多轮采样之后，算出来的期望收益依旧为正，只有当采样到左侧的点，并且乘上较大的修正系数 p/qp/qp/q之后，算出的结果才会变成真实的符号，负号。尽管采样到右侧的点修正系数很小，最终结果可能依旧是正确的，但这样会导致在采样上耗费较大的时间，因此，p q分布之间的差异依旧不宜过大。
从上述important sampling的思想出发，可以使用该思想来达到上文所述的目标，即 “利用 πθ'\pi_{\theta}′πθ′ 来进行采样，将采集的样本拿来训练 θ\thetaθ ， θ'\theta′θ′ 是固定的，采集的样本可以被重复使用” 表示为：
提醒 :
- Advantage function (收益reward减去基准baseline) 也应该随着新的采样参数而变化（从基于θ\thetaθ的AθA^{\theta}Aθ变为基于θ′\theta'θ′的Aθ′A^{\theta'}Aθ′）
- 在不同的参数情况下，某一个状态state出现的概率几乎没有差别，因此可以将这一项近似地消掉
- stop criteria取决于两个分布之间的差别大小
加入约束: (θ\thetaθ 不能与 θ'\theta′θ′差别过大)
Tip: 这是一项加在行为上的约束，而不是加在参数上的约束
PPO / TRPO:
PPO在原目标函数的基础上添加了KL divergence 部分，用来表示两个分布之前的差别，差别越大则该值越大。那么施加在目标函数上的惩罚也就越大，因此要尽量使得两个分布之间的差距小，才能保证较大的目标函数。
TRPO 与 PPO 之间的差别在于它使用了 KL divergence 作为约束。但是这使得TRPO相对而言更难计算，因此较少使用。
PPO 算法
- 初始化policy的参数 θ0\theta^0θ0
- 在每一次迭代中,使用θk\theta^kθk来和环境互动，收集状态和行动并计算对应的advantage function
- 不断更新参数，找到目标函数最优值对应的参数 θ\thetaθ
在训练的过程中采用适应性的KL惩罚因子：
当KL过大时，增大beta值来加大惩罚力度
当KL过小时，减小beta值来降低惩罚力度
PPO2:
Tips:
- PPO2引入了Clip函数，意味着第二项，即蓝色的虚线必须在 1-ϵ\epsilonϵ 和 1+ϵ\epsilonϵ 之间
- 红色的线表示取最小值之后整个函数值分布情况.
