Policy-Based Method RL

Policy-Based Method RL

策略函数$\pi(a|s)$ 是一个概率密度函数，以$s$为输入，输出是 每个动作的概率分布。

agent根据策略函数随机抽样选择动作$a$执行。

---

1.策略网络

我们使用策略网络来近似策略函数$\pi$，网络的训练参数为$\theta$

2.状态价值函数

定义状态价值函数$V_\pi(s_t)$

---

当$a$为离散随机变量时，我们将$V_{pi}(s_t)$

---

通过策略网络的近似，我们可以得到如上图等式。

---

我们的目标是最大化$V_\pi$对于$S$的期望，$J(\theta)$用来表示当前策略$\pi$的胜率。

因此我们要最大化$J(\theta)$。

通过Policy Gradient 策略梯度算法实现。

---

通过带入，我们的$V$对于$\theta$的导数也就是梯度的等式变形。

通过对$\pi$ 函数相对$\theta$的导数和$Q_{\pi}$的乘积之和，便可以得到梯度，但是该方法过于简化且不严谨，因为$Q_\pi$也与$\theta$有关，但是最终实际结果一样。

---

对于连续型随机变量，我们不能使用上述方法。

而是对$\log \pi(\theta)$

最后，我们可以用上图的期望所表示梯度。

---

因为$\pi$策略函数是一个神经网络，无法进行积分求期望，因此我们考虑用蒙特卡洛近似，即根据策略函数随机抽样$\hat{a}$ ，定义$g(\hat{a},\theta)$作为无偏估计，近似表示梯度。

---

算法如下图所示：

---

3.价值函数如何近似

在该方法中，我们不知道价值函数$Q_\pi(s_t,a_t)$，我们如何近似呢？

第一种方法是REINFORCE，将agent执行完一轮的动作，得到一个$(s,a,r)$的轨迹，然后用$u_t$ 实际回报近似$E[U_t]$

---

第二种方法就是使用actor-critic method，使用策略网络近似$Q_\pi(s_t,a_t)$