强化学习（九）：策略梯度

Policy Gradient Methods

之前学过的强化学习几乎都是所谓的‘行动－价值’方法，也就是说这些方法先是学习每个行动在特定状态下的价值，之后在每个状态，根据当每个动作的估计价值进行选择。这种方法可看成是一种‘间接’的方法，因为强化学习的目标是如何决策，这些方法把每个动作的价值作为指标，来辅助决策。这类方法是一种很直观的，很容易理解的思维方式。当然还有另一种更‘直接’的方法，即不使用辅助手段（如之前的价值函数），直接学习决策。这种方法更直接，因为当学习结束得到的就是如何决策，但这种方法却不太直观，有价值函数作为助手，基本上不存在模型解释性问题，哪个价值大选哪个，很容易理解。直接学习策略却不同，没有参照，没有依傍，对每个策略的被选择的原因不太好理解，这也成为这类方法相较于之前的‘行动－价值’方法难以理解的主要原因。其实如同深度学习一样，我们只是找到一种函数可以很好的拟合决策过程就成功了。因为决策过程可以看成是一个决策函数，我们只须应用强化学习的方法尽量的逼近这个函数即可。既然是学习决策函数，那么我们很容易想到学习这个函数的参数，这样策略也就成了参数化策略，参数化的策略在选择行动时是不需要借助价值函数的。价值函数虽然不参与决策，但在策略参数学习时却可能会被用到。

深度学习的流行，也使得基于梯度学习的算法得到广泛应用。所以基于梯度的策略学习也成为主流。基于梯度学习就需一个目标函数，比如基于梯度的策略性能函数，不妨记为(J( heta)), 接下来就很简单，我们只需最大化这个性能函数即可，其参数更新方式：

[ heta_{t+1} = heta_t ＋ alpha widehat{ abla J ( heta_t)} ]

这就是策略梯算法的一般形式，其中(widehat{ abla J ( heta_t)})是一种随机估计，其期望近似于性能函数的梯度。

Policy Approximation and its Advantages

如果行动空间是离散的并且不是特别的在，　那么可以用一种偏好函(h(s,a, heta))数来刻画状态－行动对，在每个状态中，拥有最大偏好的行动将拥有最大的概率被选择，显然，这样的使用soft max来刻画最常用：

[pi(a|s, heta) dot = frac{e^{h(s,a, heta)}}{sum_b e^{h(s,b, heta)}} ]

偏好函数(h(s,a, heta))可以用ANN来刻画，也可以简单地使用特征的线性组合。

？　参数化的策略有很多好处。首先，参数化的策略的估计更接近确定性策略。

其次，基于行动偏好soft－max可以任意概率选择行动。

再次，策略参数化相较于‘行动－价值’方法，策略的近似函数会相对更简单。

最后，策略参数化方法可以方便的融入先验知识。

The Policy Gradient Theorem

上述的优势是策略参数化方法做优于‘行动－价值’方法在实践中的考虑，在理论上，策略参数化方法也有一个重要的优势：policy gradient theorem。它为性能函数的梯度提供了一个解析形式：

[ abla J( heta) propto sum_s mu(s)sum_a q_{pi}(s,a) abla_{pi}(a|s, heta) ]

其中(mu(s))　是 on-policy distribution， 为证明这个定理，我们需要先考虑 ( abla v_{pi}(s)).

[egin{array}\ abla v_{pi}(s)& = & ablaBig[sum_a pi(a|s)q_{pi}(s,a) Big] qquad forall s in S\ &=& sum_a Big[ abla pi(a|s)q_{pi}(s,a) + pi(a|s) abla q_{pi}(s,a) Big]\ &=& sum_a Big[ abla pi(a|s)q_{pi}(s,a) + pi(a|s) abla(sum_{s',r}p(s'|s,a)(r+v_{pi}(s'))) Big]\ & =& sum_aBig[ abla pi(a|s)q_{pi}(s,a) + pi(a|s)sum_{s'}p(s'|s,a) abla v_{pi}(s') Big]\ end{array} ]

以上，我们推出从s 到 s'的递推公式， 这是一个很重要的结果。

接下来，还需要一个认识：从状态角度看待MDP，MDP是从一个状态s到另一个状态s‘的过程。 从s到s‘是可以有多种情况的，一步到达时的概率我们是可以写出的，即：

[p_{pi}(s ightarrow s',n =1) = sum_a pi(a|s)p(s'|s,a) ]

其中n代表步数。那如果n = k呢，显然，我们不知道，而且可预知是很复杂的，但我们可以递推的得出，比如我们假设n=k的概率已知，即(p(s ightarrow s',n = k))已知。那么n=k+1的概率：

[egin{array}\ p_{pi}(s ightarrow s',n = k+1) &=& sum_{s''}p(s'|s'')p_{pi}(s ightarrow s'',n=k)\ &=& sum_{s''} sum_a pi(a|s'')p(s'|s'',a)p_{pi}(s ightarrow s'',n=k)\ &= & sum_{s''}p_{pi}(s ightarrow s'',n = k)p_{pi}(s'' ightarrow s',n =1) end{array} ]

这样我们可以继续( abla v_{pi}(s)) 的推导：

[egin{array}\ abla v_{pi}(s)& = & sum_aBig[ abla pi(a|s)q_{pi}(s,a) + pi(a|s)sum_{s'}p(s'|s,a) abla v_{pi}(s') Big]\ & =& sum_a abla pi(a|s)q_{pi}(s,a) + sum_{s'}sum_api(a|s) p(s'|s,a) abla v_{pi}(s')\ & & ig (for simplicity, define: phi(s) =sum_a abla pi(a|s)q_{pi}(s,a) ig)\ &=& phi(s) + sum_{s'}p_{pi}(s ightarrow s',1) abla v_{pi}(s')\ & = & phi(s) + sum_{s'}p_{pi}(s ightarrow s',1)Big( phi(s') + sum_{s''}p_{pi}(s' ightarrow s'',1) abla v_{pi}(s'') Big)\ & = & phi(s) + sum_{s'}p_{pi}(s ightarrow s',1) phi(s') + sum_{s'}p_{pi}(s ightarrow s',1)sum_{s'}p_{pi}(s' ightarrow s'',1) abla v_{pi} (s'')\ & =& phi(s) + sum_{s'}p_{pi}(s ightarrow s',1) phi(s') + sum_{s''}p_{pi}(s ightarrow s'',2) abla v_{pi} (s'')\ &=& dots\ & = & sum_xsum_{k=0}^{infty}p_{pi}(s ightarrow x,k)phi(x) end{array} ]

上面提到J( heta) 是性能函数，其有一种常用的形式是：

[J( heta) dot = v_{pi}(s_0) ]

于是：

[egin{array}\ abla J( heta) &=& abla v_{pi}(s_0)\ &=& sum_ssum_{k = 0}^{infty}p_{pi}(s_0 ightarrow s)phi(s)\ &=& sum_s eta(s) phi(s)\ &=& sum_{s'}eta(s') sumfrac{eta(s)}{sum_{s'}eta(s')} phi(s)\ & propto & sum_{s}frac{eta(s)}{sum_{s'}eta(s')} phi(s)qquadqquad qquad (as sum_{s'}eta(s') is a constant.)\ &=& sum_{s} mu(s) sum_a abla pi(a|s)q_{pi}(s,a) qquad (define mu(s) = frac{eta(s)}{sum_{s'}eta(s')} 上述定理得证！)\ & = &　 sum_{s} mu(s) sum_api(a|s) q_{pi}(s,a)frac{ abla pi(a|s)}{pi(a|s)}\ & =& E_{pi}ig[ q_{pi}(s,a) abla ln pi(a|s) ig] qquad qquad (E_{pi} refers to E_{ssim mu(s),asim pi_{ heta}})\ & = & E_{pi}Big[G_t abla ln pi(a|s) Big]qquad qquad (as E_{pi}[G_t|S_t,A_t] = q_{pi}(S_t,A_t)) end{array} ]

REINFORCE: Ｍonte Carlo Policy Gradient

[egin{array}\ abla J( heta)& propto& sum_s mu(s)sum_a q_{pi}(s,a) abla_{pi}(a|s, heta) \ &=& E_{pi}left[sum_a pi(a|S_t, heta)q_{pi}(S_t,a) frac{ ablapi(a|S_t, heta)}{pi(a|S_t, heta)} ight]\ &=& E_{pi}left[q_{pi}(S_t,A_t)frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)} ight]qquadqquad ( ext{replacing a by the sample} A_t sim pi)\ &=& E_{pi}left[ G_t frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)} ight]qquadqquadqquad ( ext{becauser} E_{pi}[G_t | S_t,A_t] = q_{pi}(S_t,A_t)) end{array} ]

其中(G_t)是收益(returns)，由上可以得出参数更新公式：

[ heta_{t+1} = heta_t + alpha G_t frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)} ]

# REINFORCE: Monte-Carlo Policy-Gradient Control (episodic) for pi*
Algorithm parametere: step size alpha >0
Initialize policy parameter theta(vector)
Loop forever:
    Generate an episode S0,A0,R1,...S_{T-1},A_{T-1},RT, following pi(.|.,theta)
    Loop for each step of the episode t = 0,1,...,T-1
    G = sum_{k=t+1}^T gamma^{k-t-1}Rk
    theta = theta + alpha r^t G grad(ln pi(A_t|S_t,theta))

REINFORCE with Baseline

作为一种Ｍonte Carlo方法，REINFORCE的方差比较较大，从而导致学习的效率较低。而引入一个baseline却可以降低方差。

[ abla J( heta) propto sum_s mu(s)sum_a( q_{pi}(s,a) abla_{pi}-b(s))(a|s, heta) ]

从而：

[ heta_{t+1} = heta_t + alpha (G_t-b(S_t)) frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)} ]

baseline的一个自然的选择就是价值函数(v(s))。

# REINFORCE with baseline(episodic), for estimating pi_theta = pi*
Input: a differentiable policy parameterization pi(a|s,theta)
Input: a differentiable state-value function parameteration v(s,w)
Alogrithm parameters: step sizes alpha_theta >0, alpha_w >0
Initialize policy parameter theta and state_value weights w

Loop forever(for each episode):
    Generate an episode S_0,A_0,R_1,... S_{T-1},A_{T-1},R_T　following pi(.|.,theta)
    Loop for each step of the episode t= 0,1,...T-:
        G = sum_{k=t+1}^T gammma^{k-t-1} R_k
        delta = G- v(S_t,w)
        w = w + alpha_w gammma^t delta grad(v(S_t,w))
        theta = theta + alpha_theta gamm^t delta grad(ln(pi(A_t|S_t,theta)))

Actor-Critic Method

[egin{array}\ heta_{t+1} &dot =& heta_t + alpha (G_t-hat v(S_t,w)) frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)}\ &=& heta_t + alpha(R_{t+1} + gammahat v(S_{t+1},w) - hat v(S_t,w)) frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)}\ &=& heta + alpha delta_t frac{ ablapi(A_t|S_t, heta)}{pi(A_t|S_t, heta)}\ end{array} ]

# one-step Acotor-Critic (episodic), for estimating pi_theta = pi*
Input: a differentiable policy parameterization pi(a|s,theta)
Input: a differentiable state-value function parameterization v(s,w)
Parameters: step size alhpa_theta > 0, theta_w > 0
Initialize policy parameter theta and state value weights w
Loop forever (first state of episode)
I =1
Loop while S is not terminal (for each time step):
    A = pi(.|S,theta)
    take action A, observe S',R
    delta = R + gamma v(S',w) - v(S,w)
    w = w + alpha_w I delta grad(v(S,w))
    theta = theta + alpha_theta I delta grad(ln pi(A|S,theta))
    I = gamma I
    S = S'

# Actor-Critic with Eligibility Traces(episodic), for estimating pi_theta = pi*
Input: a differentiable policy paramterization pi(a|s,theta)
Input: a differentiable state-value function parameterization v(s,w)
Parameters: trace-decay rates lambda_theta in [0,1], lambda_w in [0,1], step size alpha_theta > 0, alpha_w > 0.
Initialize policy parameter theta and state-value weights w

Loop forever(for each episode):
    Initialize S (first state of episode)
    z_theta = 0 (d'-component eligibility trace vector)
    z_vector = 0 (d-component eligibility trace vector)
    I = 1
    Loop while S is not terminal (for each time step):
         A = pi(.|S,theta)
         take action A, observe S',R
         delta = R + gamma v(S',w) - v(S,w)
         z_w = gamma lambda_w z_w + I grad(v(S,w))
         z_theta = gamma lambda_theta z_theta + I grad(ln(pi(A|Ｓ,theta)))
         w = w + alpha_w delta z_w
         theta = theta + alpha_theta delta z_theta
         I = gamma I
         S = S'                             

Policy Gradient for Continuing Problems

对于连续问题，需要针对每步的平均奖励定义性能指标：

[egin{array}\ J( heta) dot= r(pi) &dot =& lim_{h ightarrowinfty}frac{1}{h}sum_{t=1}^h E[R_t| A_{0:t-1}sim pi]\ &=&lim_{t ightarrow infty} E[R_t| A_{0:t-1} sim pi]\ &=& sum_{s}mu(s)sum_a pi(a|s) sum_{s',r}p(s',r|s,a)r end{array} ]

其中，(mu)是在(pi)下的steady-state 分布：(mu(s)dot = lim_{t ightarrowinfty}P{S_t = s| A_{0:t}sim pi}) 假定存在且独立于(S_0)。

这是一个特别的分布，在此分布下，根据(pi)来选择行动，那么得到的结果仍符合当前分布：

[sum_smu(s)sum_{a}pi(a|s, heta)p(s'|s,a) = mu(s'), qquad s' in S ]

# Actor-Critic with Eligibility Traces(continuing), for estimating pi_theta = pi*
Input: a differentiable policy paramterization pi(a|s,theta)
Input: a differentiable state-value function parameterization v(s,w)
Parameters: trace-decay rates lambda_theta in [0,1], lambda_w in [0,1], step size alpha_theta > 0, alpha_w > 0,alpha_{R_bar} >0,
Initialize R_bar
Initialize policy parameter theta and state-value weights w
Initialize S
z_w = 0 (eligibility trace vector)
z_theta = 0 (eligibility trace vector)

Loop forever(for each time step):
    Select A from pi(.|S,theta)
    take action A and observe S', R
    delta = R - R_bar + v(S',w) - v(S,w)
    R_bar = R_bar + alpha_{R_bar} delta
    z_w = lambda_w z_w + grad(v(S,w))
    z_theta = lambda_theta z_theta grad(ln(pi(A|S,theta)))
    w = w + alpha_w delta z_w
    theta = theta alpha_theta delta z_theta
    S = S'

Policy Parameterization for Continuous Actions

当动作空间是连续的，基于策略的方法转而关注动作分布的性质。如果每个动作可用实数值来刻画，那么策略可以用正态分布密度函数来刻画：

[pi(a|s,pmb heta) dot = frac{1}{sigma(s,pmb heta)sqrt{2pi}}exp igg(-frac{(a - mu(s,pmb heta))^2}{2 heta(s,pmb heta)^2}igg) ]