[强化学习实战]actor-critic方法（一）—同策方法

actor-critic方法（一）— 同策方法

• 同策actor-critic方法
• • 动作价值actor-critic算法
  • 优势actor-critic算法
  • 带资格迹的actor-critic算法

本文介绍带自益的策略梯度算法。这类算法将策略梯度和自益结合了起来：一方面，用一个含参函数近似价值函数，然后利用这个价值函数的近似值来估计回报值；另一方面，

利用估计得到的回报值估计策略梯度，进而更新策略参数。这两方面又常常被称为评论者（critic）和执行者（actor）。所以，带自益的策略梯度算法被称为执行者/评论者算法（actorcritic）。

同策actor-critic方法

执行者/评论者算法同样用含参函数h ( s , a ; θ ) )表示偏好，用其softmax运算的结果π ( a ∣ s ; θ ) 来近似最优策略。在更新参数θ时，执行者/评论者算法依然也是根据策略梯度定理，取E ［ Ψ t ▽ l n π ( A t ∣ S t ; θ ) ］ 为梯度方向迭代更新。

在实际使用时，真实的价值函数是不知道的。但是，我们可以去估计这些价值函数。具体而言，我们可以用函数近似的方法，用含参函数v ( s ; w ) （ s ∈ S ） 或q ( s , a ; w ) （s ∈ S , a ∈ A ( s ) ） 来近似vπ和qπ。引入自益的思想，用价值的估计U t来代替Ψ t 中表示回报的部分。

例如，对于时序差分，用估计来代替价值函数可以得到Ψ t = γ t ［ R t +v ( S t + 1 ; w ) − v ( S t ; w ) ］ 。这里的估计值v ( w )就是评论者，这样的算法就是执行者/评论者算法。

*只有采用了自益的方法，即用价值估计来估计回报，并引入了偏差，才是执行者/评论者算法。用价值估计来做基线并没有带来偏差（因为基线本来就可以任意选择）。所以，带基线的简单策略梯度算法不是执行者/评论者算法。

动作价值actor-critic算法

根据前述分析，同策执行者/评论者算法在更新策略参数θ时也应该试图减小Ψ t l n π ( A t ∣ S t ; θ )，只是在计算Ψ t 时采用了基于自益的回报估计。算法一开始初始化了策略参数和价值参数。虽然算法中写的是可以将这个参数初始化为任意值，但是如果它们是神经网络的参数，还是应该按照神经网络的要求来初始化参数。在迭代过程中有个变量I II，用来存储策略梯度的表达式中的折扣因子γ t  。在同一回合中，每一步都把这个折扣因子乘上γ ，所以第t步就是γ t 。

 算法1　动作价值同策执行者/评论者算法

输入：环境（无数学描述）。

输出：最优策略的估计π(θ)。

参数：优化器（隐含学习率α ( w ) , α ( θ ) ，折扣因子γ，控制回合数和回合内步数的参数。

1.（初始化）θ←任意值，w←任意值；
2.（带自益的策略更新）对每个回合执行以下操作：
2.1　（初始化累积折扣）I II←1；
2.2　（决定初始动作）用π ( ⋅ ∣ S ; θ ) π(·|S;θ)π(⋅∣S;θ)得到动作A；
2.3　如果回合未结束，执行以下操作：
2.3.1　（采样）根据状态S和动作A得到采样R和下一状态S’；
2.3.2　（执行）用π ( ⋅ ∣ S ′ ; θ )得到动作A’；
2.3.3　（估计回报）U ← R + γ q ( S ′ , A ′ ; w ) ；
2.3.4　（策略改进）更新θ θθ以减小− I q ( S , A ; w ) l n π ( A ∣ S ; θ ) （如θ ← θ + α ( θ ) I q ( S , A ; w ) ▽ l n π ( A ∣ S ; θ ) ；
2.3.5　（更新价值）更新w以减小［ U − q ( S , A ; w ) ］ 2 （ 如 w ← w + α ( w ) ［ U − q ( S , A ; w ) ］ ▽ q ( S , A ; w ) ） ；
2.3.6　（更新累积折扣）I ← γ I ；
2.3.7　（更新状态）S ← S ′ ， A ← A ′ 。

优势actor-critic算法

在基本执行者/评论者算法中引入基线函数B ( S t ) = v ( S t ; w ) ，就会得到Ψ t = γ t ［ q ( S t , A t ; w ) − v ( S t ; w ) ］，其中，q(S_t,A_t;w)-v(S_t;w)是优势函数的估计。这样，我们就得到了优势执行者/评论者算法。不过，如果采用q ( S t , A t ; w ) − v ( S t ; w ) 这样形式的优势函数估计值，我们就需要搭建两个函数分别表示q(w)和v(w)。为了避免这样的麻烦，这里用了U t = R t + γ v ( S t + 1 ; w ) 做目标，这样优势函数的估计就变为单步时序差分的形式R t + γ v ( S t + 1 ; w ) − v ( S t ; w ) 。

算法2　优势actor-critic算法

输入：环境（无数学描述）。

输出：最优策略的估计π ( θ ) π(θ)π(θ)。

参数：优化器（隐含学习率α ( θ ) , α ( w ) ，折扣因子γ，控制回合数和回合内步数的参数。

1.（初始化）θ←任意值，w←任意值。
2.（带自益的策略更新）对每个回合执行以下操作。
2.1　（初始化累积折扣）I II←1。
2.2　（决定初始动作）用π(·|S;θ)得到动作A。
2.3　如果回合未结束，执行以下操作：
2.3.1　（采样）根据状态S和动作A得到采样R和下一状态S’；
2.3.2　（执行）用π ( ⋅ ∣ S ′ ; θ ) 得到动作A’；
2.3.3　（估计回报）U ← R + γ q ( S ′ , A ′ ; w )；
2.3.4　（策略改进）更新θ以减小− I ［ U − v ( S ; w ) ］ l n π ( A ∣ S ; θ ) （ θ ← θ + α ( θ ) I ［ U − v ( S ; w ) ］ ▽ l n π ( A ∣ S ; θ ) ） ）；
2.3.5　（更新价值）更新w以减小［ U − v ( S ; w ) ］ 2 （ 如 w ← w + α ( w ) ［ U − v ( S ; w ) ］ ▽ v ( S ; w ) ） ；
2.3.6　（更新累积折扣）I←γI；
2.3.7　（更新状态）S←S’，A←A’。

如果优势执行者/评论者算法在执行过程中不是每一步都更新参数，而是在回合结束后用整个轨迹来进行更新，就可以把算法分为经验搜集和经验使用两个部分。这样的分隔可以让这个算法同时有很多执行者在同时执行。例如，让多个执行者同时分别收集很多经验，然后都用自己的那些经验得到一批经验所带来的梯度更新值。每个执行者在一定的时机更新参数，同时更新策略参数θ和价值参数w。每个执行者的更新是异步的。所以，这样的并行算法称为异步优势执行者/评论者算法（Asynchronous Advantage Actor-Critic,A3C）。异步优势执行者/评论者算法中的自益部分，不仅可以采用单步时序差分，也可以使用多步时序差分。另外，还可以对函数参数的访问进行控制，使得所有执行者统一更新参数。这样的并行算法称为优势执行者/评论者算法（Advantage Actor-Critic，A2C）。

算法3给出了异步优势actor-critic算法。异步优势actor-critic算法可以有许多执行者（或称多个线程），所以除了有全局的价值参数w和策略参数θ外，每个线程还可能有自己维护的价值参数w’和θ’。执行者执行时，先从全局同步参数，然后再自己学习，最后统一同步全局参数。

算法3　异步优势actor-critic算法（演示某个线程的行为）

输入：环境（无数学描述）。

输出：最优策略的估计π(θ)。

参数：优化器（隐含学习率α ( θ ) , α ( w ) ，折扣因子γ，控制回合数和回合内步数的参数。
1.（同步全局参数）θ ′ ← θ ， w ′ ← w ；
2.逐回合执行以下过程。
2.1　用策略π(θ’)生成轨迹S 0 , A 0 , R 1 , S 1 , A 1 , R 1 , … , S T − 1 , A T − 1 , R T , S T ，直到回合结束或执行步数达到上限T。
2.2　为梯度计算初始化：
2.2.1　（初始化目标U T）若S T是终止状态，则U←0；否则U ← v ( S T ; w ′ ) ；
2.2.2　（初始化梯度）g ( θ ) ← 0 ， g ( w ) ← 0 。
2.3　（异步计算梯度）对t = T − 1 , T − 2 , … , 0 t=T-1,T-2,…,0t=T−1,T−2,…,0，执行以下内容：
2.3.1　（估计目标Ut）计算U ← γ U + R t + 1 ；
2.3.2　（估计策略梯度方向）g ( θ ) ← g ( θ ) + ［ U − v ( S t ; w ′ ) ］ ▽ l n π ( A t ∣ S t ; θ ′ ) ；
2.3.3　（估计价值梯度方向）g ( w ) ← g ( w ) + ［ U − v ( S t ; w ′ ) ］ ▽ v ( S t ; w ′ ) 。
3.（同步更新）更新全局参数。
3.1　（策略更新）用梯度方向g(θ)更新策略参数θ（如θ ← θ + α ( θ ) g ( θ ) ）。
3.2　（价值更新）用梯度方向g(w)更新价值参数w（如w ← w + α ( w ) g ( w )  ）。

带资格迹的actor-critic算法

actor-critic算法引入了自益，那么它也就可以引入资格迹。算法4给出了带资格迹的优势actor-critic算法。这个算法里有两个资格迹z ( θ ) 和z ( w )  ，它们分别与策略参数θ和价值参数w对应，并可以分别有自己的λ ( θ ) 和 λ ( w ) 。具体而言，z ( w ) 与价值参数w对应，运用梯度为▽v(S;w)，参数为λ ( w )的累积迹；z ( θ )与策略参数θ对应，运用的梯度是▽lnπ(A|S;w)参数为λ ( θ )  的累积迹，在运用中可以将折扣γ t  整合到资格迹中。

算法4　带资格迹的优势actor-critic算法

输入：环境（无数学描述）。

输出：最优策略的估计π(θ)。

参数：资格迹参数λ ( θ ) ,λ ( w )，学习率α ( θ ) ,α ( w ) ，折扣因子γ，控制回合数和回合内步数的参数。

1.（初始化）θ←任意值，w←任意值；初始化资格迹z ( θ ) ←0，z ( w ) ←0。
2.（带自益的策略更新）对每个回合执行以下操作。
2.1　（初始化累积折扣）I II←1。
2.2　（决定初始动作）用π ( ⋅ ∣ S ; θ ) π(·|S;θ)π(⋅∣S;θ)得到动作A。
2.3　如果回合未结束，执行以下操作：
2.3.1　（采样）根据状态S和动作A得到采样R和下一状态S’；
2.3.2　（执行）用π ( ⋅ ∣ S ′ ; θ ) 得到动作A’；
2.3.3　（估计回报）U ← R + γ q ( S ′ , A ′ ; w )；
2.3.4　（更新策略资格迹）z ( θ ) ← γ λ ( θ ) z ( θ ) + I ▽ l n π ( A ∣ S ; w )；
2.3.5　（策略改进）θ ← θ + α ( θ ) ［ U − v ( S ; w ) ］ z ( θ )  ；
2.3.6　（更新价值资格迹）z ( w ) ← γ λ ( w ) z ( w ) + ▽ v ( S ; w ) ；
2.3.7　（更新价值）w ← w + α ( w ) ［ U − v ( S ; w ) ］ z ( w ) ；
2.3.8　（更新累积折扣）I ← γ I I←γII←γI；
2.3.9　（更新状态）S ← S ′ ， A ← A ′ 。