本文正在参加「金石计划」

导语

本系列笔记为b站Shusen Wang老师的强化学习课程笔记，整体按照老师讲课的思路来记录。本节课主要介绍Policy-gradient算法。

Policy Function的近似

策略函数$\pi$的输入是状态s，输出是所有动作的概率分布。在执行动作时，Agent采用随机抽样的方式选择下一步要执行的动作。

假如我们有一张表，可以记录所有状态，那么我们只需要填满这个表格就可以了，但实际上，像超级玛丽这样的游戏有着无数种状态，这样的形式是完全不现实的。

因此，我们需要使用函数近似的方式。函数近似有多种方式，如线性函数近似、神经网络近似、kernel近似等。如果使用神经网络，那么就叫这个网络为Policy Network，记为$\pi (a|s;\theta )$，这里的$\theta$是神经网络的参数。

如果是超级玛丽这个游戏，我们可以把策略函数设计成这个样子：输入是状态s，也就是当前屏幕的画面，也可以是最近几帧的画面。然后通过一个卷积层得到特征向量，之后通过一个MLP映射为3维的向量，对应于三个动作。最后，连接一个softmax层，得到每个动作的概率值。

由于策略函数是概率密度函数，所以它的积分或求和为1.这就是使用softmax的原因。

State-value Function的近似

状态价值函数$V_{\pi }(s_t)$是动作价值函数$Q_{\pi }(s_t,a_t)$对A求期望得到的，他只跟策略$\pi$和当前状态$s_t$有关。给定策略$\pi$，$V_{\pi }(s_t)$可以评价当前状态的好坏，$V_{\pi }(s_t)$越大，表示当前的胜算越大，给定状态s，$V_{\pi }(s_t)$可以评价策略$\pi$的好坏。如果$\pi$很好，$V_{\pi }(s_t)$就会比较大，说明胜算大。

如果A是离散变量，那么对a求和就可以消掉A，同样的，对于连续变量则可以使用积分。

接下来，我们介绍策略价值函数的近似，同样使用一个神经网络。我们已经把Policy函数用一个Policy Network $\pi (a|s;\theta )$来近似

所以，整体的策略函数也变成了$V(s;\theta )$，它可以评价状态s和策略$\pi$的好坏，给定状态s，策略越好，$V(s;\theta )$的值就越大，那么该怎样使策略变得越来越好呢？

我们可以学习参数$\theta$，让$J(\theta )$的数值越大越好。那么如何改进$J(\theta )$呢？这里用到了Policy gradient算法，我们让Agent玩游戏，每一步都会观察到一个不同的状态s，这个s就相当于从s的概率分布中随机抽样而来的，观测到s，把$V(s;\theta )$关于$\theta$求一个梯度，然后用梯度上升来更新$\theta$，这里的$\beta$是学习率。

Policy Gradient

刚才我们介绍了状态价值函数的近似$V(s;\theta )$，这里的$\pi (a|s;\theta )$是策略网络，策略梯度就是$V(s;\theta )$对$\theta$的导数，其数学推导如下：

这里做了一步简化假设，即$Q_{\pi }(s,a)$与$\theta$无关，实际上并不是这样，这里是为了方便推导和理解的简化

我们已经推导出了策略梯度的两种等价形式，

有了这两种公式后，我们就可以计算策略梯度了，如果动作是离散的，那么可以使用第一种形式，即

对于连续变量使用第二种形式，但对一个神经网络求积分是不可行的，所以这里采用蒙特卡洛方法进行近似，具体做法如下：

蒙特卡洛就是随机抽一个多多个样本，用他们来近似期望。更新参数$\theta$时，使用$g(\hat{a},\theta )$就可以了。其实这种方法对于离散的动作也是适用的。

策略梯度算法的更新流程

策略梯度算法的整体流程如下：

1. 在第t个时间点观测到了状态$s_t$;(接下来使用蒙特卡洛近似来计算策略梯度)
2. 将策略网络$\pi (\cdot |s_t;{\theta }_t)$作为策略密度函数，用它随机抽样得到一个动作$a_t$。
3. 计算动作价值函数的值$q_t$；
4. 对策略网络$\pi$进行求导，算出$\log \pi$关于$\theta$的导数；
5. 近似的算策略梯度$g(a_t,{\theta }_t)=q_t\cdot d_{theta,t}$
6. 更新策略网络。

策略梯度算法在每一轮都会执行以上6步。

但是这里话有一个问题没有解决，即我们不知道$Q_{\pi }(s_t,a_t)$，那该如何计算$q_t$呢？有两个办法计算：

1. Reinforce算法：用策略网络$\pi$来控制Agent运动，从一开始一直玩到游戏结束，把整个游戏轨迹都记录下来。观测到所有的奖励r后可以计算出$u_t$。由于$Q_{\pi }(s_t,a_t)$是$U_t$的数学期望，我们就可以使用$u_t$来近似$Q_{\pi }(s_t,a_t)$，所以Reinforce算法就是用$u_t$来代替$q_t$.

2. 用另一个神经网络来近似，这样就有了两个神经网络，这也就是后续的AC算法，将在后续的课程中进行讲解。

总结

这节课讲了Policy-based method，我们希望得到一个好的策略函数$\pi$，让它自动控制Agent运动，每当Agent观测到状态$s_t$，Agent就用$\pi$函数得到动作的分布并进行随机抽样选择动作执行。

直接求策略函数比较困难，所以使用神经网络来近似策略函数，这个神经网络被称为Policy Network，通过Policy gradient进行学习。