演员-评论家方法(Actor-Critic)

策略梯度法引入值函数

策略梯度法中梯度的基本形式为：
$\nabla_\theta J(\theta)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t=1}^T\left[\nabla_\theta\log \pi_\theta(\mathbf{a}_{i,t}|\mathbf{s}_{i,t})\sum_{t'=t}^Tr(\mathbf{s}_{i,t'},\mathbf{a}_{i,t'})\right] \tag{1}$

现在我们回顾一下状态-动作值函数 $Q(\mathbf{s}_t,\mathbf{a}_t)$ 和状态值函数 $V(\mathbf{s}_t)$ 的定义：
$Q(\mathbf{s}_t,\mathbf{a}_t)=\sum_{t'=t}^T\mathbf{E}_{\pi_\theta}[r(\mathbf{s}_{t'},\mathbf{a}_{t'})|\mathbf{s}_t,\mathbf{a}_t] \tag{2}$

$V(s_t)=\sum_{t'=t}^T \mathop{E}_{\pi_\theta} [r(s_{t'}, a_{t'})|s_t] \tag{3}$

现在我们令公式（1）中的 $\sum_{t'=t}^Tr(\mathbf{s}_{i,t'},\mathbf{a}_{i,t'})=\hat{Q}_{i,t}$ ，为什么用 $\hat{Q}_{i,t}$ 来表示,因为这两者是有密切联系的， $Q(\mathbf{s}_t,\mathbf{a}_t)$ 是 $\hat{Q}_{i,t}$ 的期望。

现在我们要做的就是用 $Q(\mathbf{s}_t,\mathbf{a}_t)$ 代替 $\hat{Q}_{i,t}$ ，因为采样的每一条轨迹中，在状态 $s_t$ 之后的奖赏之和可能是不同的，我们想使得状态 $s_t$ 之后奖赏之和能够稳定。

同样在引入基线后，我们可以将前文所述的基线 $b_t=\frac{1}{N}\sum_iQ^\pi(\mathbf{s}_{i,t},\mathbf{a}_{i,t})$ 用其期望 $V(s_t)=\sum_{t'=t}^T\mathop{E}_{\pi_\theta} [r(s_{t'}, a_{t'})|s_t]$ 取代，现在我们的梯度形式就变为

$\nabla_\theta J(\theta)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t=1}^T\left[\nabla_\theta\log \pi_\theta(\mathbf{a}_{i,t}|\mathbf{s}_{i,t})A^\pi(\mathbf{s}_t,\mathbf{a}_t)\right] \tag{4}$

其中， $A^\pi(\mathbf{s}_t,\mathbf{a}_t)=Q^\pi(\mathbf{s}_t,\mathbf{a}_t)-V^\pi(\mathbf{s}_t)$ ,称为优势函数（Advantage Function）。

优势函数可理解为在给定策略 $\pi$ 的情况下，在状态 $\mathbf{s}_t$ 处，采用行动 $\mathbf{a}_t$ 的收益能比该策略的平均今后收益期望多出多少。

演员-评论家算法

演员-评论家算法要做的就是引入另一个参数 $\phi$ ，通过神经网络来拟合优势函数 $A^\pi(\mathbf{s}_t,\mathbf{a}_t)$

$Q(\mathbf{s}_t,\mathbf{a}_t)$ 和 $V^\pi(\mathbf{s}_t)$ 有如下的关系，
$Q^\pi(\mathbf{s}_t,\mathbf{a}_t)=r(\mathbf{s}_t,\mathbf{a}_t)+\sum_{t'=t+1}^T\mathbf{E}_{\pi_\theta}[r(\mathbf{s}_{t'},\mathbf{a}_{t'})|\mathbf{s}_t,\mathbf{a}_t]=r(\mathbf{s}_t,\mathbf{a}_t)+\mathbf{E}_{\mathbf{s}_{t+1}\sim p(\mathbf{s_{t+1}}|\mathbf{s}_t,\mathbf{a}_t)}[V^\pi(\mathbf{s}_{t+1})] \tag{5}$

如果我们用用轨迹样本来估计这个期望（即用 $V^\pi(\mathbf{s}_{t+1})$ 来代替 $\mathbf{E}_{\mathbf{s}_{t+1}\sim p(\mathbf{s_{t+1}}|\mathbf{s}_t,\mathbf{a}_t)}[V^\pi(\mathbf{s}_{t+1})]$ ），那么，优势函数也可以被近似为
$A^\pi(\mathbf{s}_t,\mathbf{a}_t)\approx r(\mathbf{s}_t,\mathbf{a}_t)+V^\pi(\mathbf{s}_{t+1})-V^\pi(\mathbf{s}_t) \tag{6}$

这样的话，我们只需要用参数 $\phi$ 去拟合 $V^\pi(\mathbf{s}_t)$ 即可。

在蒙特卡洛策略评估中，进行一次轨迹采样后
$V^\pi(\mathbf{s}_t)\approx\sum_{t'=t}^Tr(\mathbf{s}_{t'},\mathbf{a}_{t'}) \tag{7}$

如果进行多次轨迹采样后
$V^\pi(\mathbf{s}_t)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t'=t}^Tr(\mathbf{s}_{t'},\mathbf{a}_{t'})\tag{8}$

虽然多次轨迹采样比一次轨迹采样效果好，但是，一次轨迹采样的表现也不错。

训练神经网络来拟合值函 $V_\phi^\pi(\mathbf{s}_t)$ 则比较简单，首先收集训练数据 $\left\{\left(\mathbf{s}_{i,t},y_{i,t}:=\sum_{t'=t}^T r(\mathbf{s}_{i,t},\mathbf{a}_{i,t})\right)\right\}$ ，然后使用最小二乘的损失函数
$\mathcal{L}(\phi)=\frac{1}{2}\sum_i\left\Vert\hat{V}_\phi^\pi(\mathbf{s}_i)-y_i\right\Vert^2 \tag{9}$

为了使拟合效果更好，在理想化的情况下，我们的目标也可修改为（自助法(bootstrapped)）
$y_{i,t}=\sum_{t'=t}^T\mathbf{E}_{\pi_\theta}[r(\mathbf{s}_{t'},\mathbf{a}_{t'})|\mathbf{s}_{i,t}]\approx r(\mathbf{s}_{i,t},\mathbf{a}_{i,t})+V^\pi(\mathbf{s}_{i,t+1})\approx r(\mathbf{s}_{i,t},\mathbf{a}_{i,t})+\hat{V}_\phi^\pi(\mathbf{s}_{i,t+1}) \tag{10}$

这样我们便可以直接使用先前的拟合值函数。

批量演员-评论家算法 (batch actor-critic algorithm)：

根据策略 $\pi_\theta(\mathbf{a}|\mathbf{s})$ 得到一些样本 $\{\mathbf{s}_i,\mathbf{a}_i\}$ ，包括所处状态、行动和收益。
使用样本收益之和拟合 $\hat{V}^\pi_\phi(\mathbf{s})$ 。这一步样本可以做蒙特卡洛，也可以做自助法；拟合可以用最小二乘的目标函数。
评估优势函数 $\hat{A}^\pi(\mathbf{s}_i,\mathbf{a}_i)=r(\mathbf{s}_i,\mathbf{a}_i)+\hat{V}^\pi_\phi(\mathbf{s}_i')-\hat{V}^\pi_\phi(\mathbf{s}_i)$ 。
$\nabla_\theta J(\theta)\approx\sum_{t=1}^T\left[\nabla_\theta\log \pi_\theta(\mathbf{a}_t|\mathbf{s}_t)\hat{A}^\pi(\mathbf{s}_t,\mathbf{a}_t)\right]$ 。
$\theta\leftarrow \theta+\alpha\nabla_\theta J(\theta)$ 。

引入“折扣因子”

在策略梯度中引入“折扣因子”，梯度变为
$\nabla_\theta J(\theta)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t=1}^T\nabla_\theta\log\pi_\theta(\mathbf{a}_{i,t}|\mathbf{s}_{i,t})\left(\sum_{t'=t}^T\gamma^{t'-t}r(\mathbf{s}_{i,t'},\mathbf{a}_{i,t'})-b\right) \tag{11}$

在演员-评论家算法中引入“折扣因子”，首先我们的优势函数将从
$\hat{A}^\pi(\mathbf{s}_i,\mathbf{a}_i)=r(\mathbf{s}_i,\mathbf{a}_i)+\hat{V}^\pi_\phi(\mathbf{s}_i')-\hat{V}^\pi_\phi(\mathbf{s}_i) \tag{12}$

变为
$\hat{A}^\pi(\mathbf{s}_i,\mathbf{a}_i)=r(\mathbf{s}_i,\mathbf{a}_i)+\gamma\hat{V}^\pi_\phi(\mathbf{s}_i')-\hat{V}^\pi_\phi(\mathbf{s}_i) \tag{13}$

此时的梯度将变为
$\nabla_\theta J(\theta)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t=1}^T\nabla_\theta\log\pi_\theta(\mathbf{a}_{i,t}|\mathbf{s}_{i,t})\left(r(\mathbf{s}_{i,t},\mathbf{a}_{i,t})+\gamma\hat{V}^\pi_\phi(\mathbf{s}_{i,t+1})-\hat{V}^\pi_\phi(\mathbf{s}_{i,t})\right) \tag{14}$

在线的演员-评论家算法 (online actor-critic algorithm)

根据策略执行行动 $\mathbf{a}\sim\pi_\theta(\mathbf{a}|\mathbf{s})$ ，得到一个状态转移样本 $(\mathbf{s},\mathbf{a},\mathbf{s}',r)$ ，即从一个状态出发执行某行动到哪个新的状态，单步收益多少
使用评论家的结果 $r+\gamma\hat{V}^\pi_\phi(\mathbf{s}')$ 来更新 $\hat{V}^\pi_\phi(\mathbf{s})$
评估优势函数 $\hat{A}^\pi(\mathbf{s},\mathbf{a})=r(\mathbf{s},\mathbf{a})+\gamma\hat{V}^\pi_\phi(\mathbf{s}')-\hat{V}^\pi_\phi(\mathbf{s})$
$\nabla_\theta J(\theta)\approx\nabla_\theta\log \pi_\theta(\mathbf{a}|\mathbf{s})\hat{A}^\pi(\mathbf{s},\mathbf{a})$
$\theta\leftarrow \theta+\alpha\nabla_\theta J(\theta)$

批量演员-评论家算法 (batch actor-critic algorithm)：

根据策略 $\pi_\theta(\mathbf{a}|\mathbf{s})$ 得到一些样本 $\{\mathbf{s}_i,\mathbf{a}_i\}$ ，包括所处状态、行动和收益。
使用样本收益之和拟合 $\hat{V}^\pi_\phi(\mathbf{s})$ 。这一步样本可以做蒙特卡洛，也可以做自助法；拟合可以用最小二乘的目标函数。
评估优势函数 $\hat{A}^\pi(\mathbf{s}_i,\mathbf{a}_i)=r(\mathbf{s}_i,\mathbf{a}_i)+\gamma\hat{V}^\pi_\phi(\mathbf{s}_i')-\hat{V}^\pi_\phi(\mathbf{s}_i)$ 。
$\nabla_\theta J(\theta)\approx\sum_{t=1}^T\left[\nabla_\theta\log \pi_\theta(\mathbf{a}_t|\mathbf{s}_t)\hat{A}^\pi(\mathbf{s}_t,\mathbf{a}_t)\right]$ 。
$\theta\leftarrow \theta+\alpha\nabla_\theta J(\theta)$ 。

Actor-Critic算法（公式14）是低方差的（由于Critic的存在）、有偏差的（如果Critic表现地不好）

Policy Gradients方法（公式11）是高方差（由于用单样本采样来估计）、无偏差的

为了使结果无偏差、低方差的，我们可以结合上述两者的优点，算法如下：
$\nabla_\theta J(\theta)\approx\frac{1}{N}\sum_{i=1}^N\sum_{t=1}^T\nabla_\theta\log\pi_\theta(\mathbf{a}_{i,t}|\mathbf{s}_{i,t})\left(\sum_{t'=t}^T\gamma^{t'-t}r(\mathbf{s}_{i,t'},\mathbf{a}_{i,t'})-\hat{V}^\pi_\phi(\mathbf{s}_{i,t})\right)$

在CS294-112的作业2中正是利用这个算法。

参考

最后编辑于：2020.05.28 18:38:43

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 219,366评论 6赞 508
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 93,521评论 3赞 395
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 165,689评论 0赞 356
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 58,925评论 1赞 295
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 67,942评论 6赞 392
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 51,727评论 1赞 305
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 40,447评论 3赞 420
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 39,349评论 0赞 276
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 45,820评论 1赞 317
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 37,990评论 3赞 337
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 40,127评论 1赞 351
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,812评论 5赞 346
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 41,471评论 3赞 331
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 32,017评论 0赞 22
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 33,142评论 1赞 272
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 48,388评论 3赞 373
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 45,066评论 2赞 355

演员-评论家方法(Actor-Critic)

策略梯度法引入值函数

演员-评论家算法

引入“折扣因子”

推荐阅读更多精彩内容