强化学习七 - Policy Gradient Methods

Posted 2021-01-20 songorz

一.前言

　　之前我们讨论的所有问题都是先学习action value,再根据action value 来选择action(无论是根据greedy policy选择使得action value 最大的action,还是根据ε-greedy policy以1-ε的概率选择使得action value 最大的action,action 的选择都离不开action value 的计算)。即没有action value的估计值就无法进行action选择，也就没有Policy,这类方法被称为 value-based methods.其实我们可以直接产生不依赖于action value 的polcy ,这类直接生成action的方法就叫policy-based methods.他们关系如下：

　　value-based方法，需要计算价值函数（value function），根据自己认为的高价值选择行（action）的方法，如Q Learning。
　　policy-based方法，不需要根据value function选择action，可以直接得出policy的方法。
　　图中第三类方法(Actor critic)结合了上述两者，即计算value function，但不直接根据value function选择action，action 由policy-based方法得到。

二. Advantages of Policy-Based RL　　

Policy-Based RL 的优势：

　　1）有着更好的收敛性质。Value_Based 方法需要对值函数进行更新，然后才能反映到策略中，而值函数中的一些小小改变可能会使得策略发生较大改变，从而收敛性较差。当然，我们在模型无关的控制(model free)当中说过，如果将探索因子epsilon设定位1/k,则得到的Monte-carlo Contorl是符合GLIE条件的，此时该方法对应的致函苏将收敛于最优致函数。Value-Based方法收敛性较差只得是较容易震荡而难以收敛，而后面说的将收敛于最优值函数是指“最终”将收敛于最优致函数。我们并不知道“最终”是多久，所以，Policy-Based在这个问题上更具有优势。

　　2）在高纬度和连续动作空间上有着逢高的效率。毕竟Value-Based 方法需要计算

如果动作集很大，那么这个max操作的计算量就很大，而Policy-Based RL方法就不存在这种问题。

　　3）可以学习随机性策略。Value-Based 方法是隐式地对策略进行表示，需要用greedy 方法得到策略，所以学习单的是确定性策略。

　　Policy-Based 的缺点：

　　1）通常是收敛到极限；

　　2）评估策略是低效，高差异的；

　　举个例子1，在我们所熟知的“石头剪刀布”游戏中，需要寻求纳什均衡，所以并不能弄一个确定性策略，这种情况下，一个均匀的随机策略就是最优的。

　　举例2：

　　

在上面的这个格子世界中，两个灰色方格对于智能体而言并没有什么区别。如果使用一个确定性策略，那么在灰色方格处的决策要么都向左，要么都向右，不管是向左还是向右，都有可能卡住，如下图：

当然，Value-Based方法也可以学习一个near-deterministic策略，比如说epsilon-greedy，这样的方法虽然不会一直卡住，但是一般需要较长时间才能结束这一episode。课程中有这么一句话：Whenever stochastic policy occurs, a stochastic policy can do better than a deterministic policy。也就是说，一般而言，只要出现随机性策略的时候，一般都会比确定性策略要好。

下面来看一下常用的几个目标函数：

        1）episodic环境中，我们使用start value：

2）continuing环境中，我们使用average value：

 

 3）continuing环境中，也可以使用average reward per time-step：

其中d为利用对应策略生成的马尔可夫链的稳态分布。1）中为从某个状态开始，后面将得到的奖励；2）中为continuing环境，所以并没有一个所谓的初始状态，也没有一个结束状态；3）中表示平稳状态分布下单步的奖励。

 三. Score Function

也即策略梯度可以等价地表示为策略乘以一个似然函数的倒数，这个与极大似然操作形式一致的式子叫做Score Function ,表示为：

 

下面通过两个例子说明score function:

　　1)softmax policy

首先假设使用线性特征组合对动作进行加权：

此时，score function为：

同理，我们可以得到服从的高斯分布的score function：

 

四.one-step MDP

考虑完策略的导数之后，接着我们讨论奖励函数的导数。首先考虑一个简单的one-step MDP：

 推导奖励函数的梯度：

 

我们通过这个简单的one-step MDP可知，奖励函数的导数等于socre function乘以reward在策略下的期望，也即：

        策略梯度定理正是这一简单情形的拓展：

与上面的one-step MDP的情形相比，这里将其拓展到了multi-step MDP，并且将即时奖励r替换为了long-term值函数，这一定理非常重要。我们知道，我们对于策略参数的更新都是沿着极大化奖励函数的方向进行的，所以由上式我们可以对参数进行更新。

接下来将将该定理结合model-free情形进行使用，得到REINFORCE算法：

五.Monte-Carlo Policy Gradient (REINFORCE)

其想法非常简单，就是将奖励函数的梯度中的期望换为采样，在一个episode结束之后，利用该episode中的每一个step对参数进行更新。不过这个算法中对于的估计使用的是回报（return），这是一个无偏估计，但是却有着较大的方差，所以，我们考虑换成其他方法对值函数进行逼近，比如说利用神经网络或其他参数化方法，记参数为w（此处可回想DDPG算法形式）：

 

　　我们称之为Critic，并将上面的参数化策略称为Actor，将这二者结合起来，叫做Actor-Critic算法：

对于参数w的更新，我们可以将回报（return）或者TD target作为目标，最小化当前值函数与目标的平方。此外，在Actor-Critic算法中，我们可以在每个step对策略进行更新，而不用像REINFORCE一样，只能在每个episode运行完成之后进行更新。因为这里每个step我们可以使用对奖励进行估计，然后代入上面的式子，对策略进行更新，而REINFORCE使用回报（return）决定了它不能实时更新。当然，在这里使用的是单样本更新，我们也可以将其换为least-squares方法，也即replay buffer方法。

        Actor-Critic算法虽然降低了方差，但是一般来说是有偏的，因为在approximating的时候引入了bias。那是否能够通过恰当地选择值函数估计器来避免引入bias呢？这是可以的。由此我们引出兼容函数估计（Compatible Function Approximation）

 考虑条件1中提到的式子，用语言表述为：“score function = the gradient of Critic”，将其代入到中，可得：

 比方说，在某个状态s和动作a下，假设为正，则沿着的梯度方向进行更新，且越大，越大，如果为负，则朝着与的梯度相反的方向更新。换句话说，我们这里的朝着大的方向更新，

 

其中最左边一幅图表示score function向量，其实就是朝着使p(x)增大的方向；中间的图则是表示一个加权函数f，比方说我们的 等（值得注意的是，图中标示的score function并不是我们这里的score function，只是因为f作为一个加权，所以这样叫罢了），这个函数在除了三个小圆圈范围内的其他区域的值均为-1，小圆圈内的值为+1；最右边的图则是表明，除了在小圆圈中的区域外，其他区域对于参数的更新是与score function相反的，所以分布p(x)进行了相应更新。

        前面我们说过，为了降低REINFORCE算法的方差，我们引入了Critic，现在，我们进一步使用Baseline来降低RL中的方差。首先我们可以推导出如下式子：

该式表明，对于某一个与动作a无关的基准函数B(s)，它乘以score function之后，计算在策略下的期望，结果为0。换句话说，我们可以在奖励函数的梯度的基础上任意的增减一个这样的式子，而保持梯度不变。一个不错的Baseline函数就是值函数是，在原奖励函数梯度的计算式上减去该值，得到：

我们称为优势函数，用其表示奖励函数的梯度为：

  优势函数的意义是，在动作值函数的基础上减去了对应状态拥有的基准值，使之变为动作带来的增益，因而降低了方差（降低了由于状态基准值的抖动引起的方差）。当然，这样做也有缺点（笔者观点），那就是相当于将不同状态下的动作带来的奖励放在同一水平考虑，实质上是应该结合状态进行考虑的，关于奖励函数，我们可以结合Dueling Network进行理解与深思（提示：Dueling Network中使用双流结构，考虑了优势函数以及状态值函数，从二者的作用来看，状态值函数那一项也是有意义的）。

        现在我们给出的计算优势函数的公式是理论上的，或者说是策略对应的真实优势函数，但实际上，我们并不知道该函数，因而只能对其进行估计，就像我们前面估计状态值函数和动作值函数一样：

我们可以不断地更新以及，比方说利用TD方法进行更新，然后通过计算得到。不过令人感到不开心的是，这里我们需要维持两个逼近器，有没有方法能够让我们用一个逼近器就能够给出优势函数的估计呢？有的，具体见下面的PPT：

其中最为重要的结论是：“如果我们使用真实的状态值函数来计算TD error，则TD error为优势函数的一个无偏估计”。并且，在这种方法中，我们仅需一组参数就能够对优势函数进行估计。

        关于不同Time-Scales下的Critics、Actors以及考虑资格迹的策略梯度，鉴于其重要性，因而直接给出课程PPT如下：

自然策略梯度也即直接对原始策略梯度进行修正，乘以一个Fisher信息阵的逆。这样做有什么用处呢？它使得策略梯度变成parametrisation无关的了。举个例子，对于一个softmax策略，我们增大其中所有动作的score，此时各个动作的概率并不会发生改变，这可以通过其score function来考虑：

 

        比方说，我们反过来想，成比例的增大策略中各个动作对应的分子，也即，因为softmax策略中的分母也会成比例的增大，所以最终各个动作的概率并没有发生改变。如果这里我们是通过增加来增加分子的值的，所以上面的score function也可能会随之增大，这样的话，虽然该策略各个动作对应的概率没有变，但是下一步对于策略的改进却发生了改变（想想对于策略参数的更新公式），这并不是我们想看到的。而自然策略梯度可以很好地解决这一问题，对于刚刚提及的这种情形，Fisher信息阵也将增大，从而使得下一步对于策略的改进与reparametrisation无关，就很开心了。
 将自然策略梯度与Actor-Critic结合，得到Natural Actor-Critic如下：

在上面的推导中，我们可以将compatible function approximation积分代入对于奖励函数的求导中，得到最终的奖励函数的自然梯度，发现它就等于Critic的参数w，这并不是巧合，当我们结合natural policy gradient + compatible function approximation之后，就可以推到得到这一结论：对Actor参数的更新就等于Critic的参数。

总结：　

本章阐述了value-based methods和policy-based methods的优缺点，引入了性能函数J(θ) J(mathbf heta)J(θ)，介绍了PG定理，并详细介绍了episode case下的PG方法：REINFORCE 、REINFORCE-with-baseline(减小偏差，但方差较大)。介绍了结合PG 和value-based methods的Actor{Critic Methods，以及 continuing case下的PG。