《强化学习基础概念：四大模型与两大损失》

强化学习基础概念

首先介绍四个模型和两个损失

一、策略模型

什么是强化学习的策略：

在强化学习中，策略（Policy）是核心概念之一，它定义了智能体（Agent）在给定状态下如何选择动作。

1. 策略的定义

策略是一个函数，它将状态映射到动作的概率分布。用数学符号表示为 $\pi (a|s)$，其中 $s$ 表示状态，$a$ 表示动作，$\pi (a|s)$ 表示在状态 $s$ 下选择动作 $a$ 的概率。策略决定了智能体在环境中如何行动，从而影响其获得的奖励和最终的学习效果。

• 确定性策略（Deterministic Policy）：对于每个状态 $s$，策略 $\pi$ 映射到一个唯一确定的动作 $a$，即 $\pi (s)=a$。在这种情况下，智能体在给定状态下总是选择同一个动作。
• 随机性策略（Stochastic Policy）：对于每个状态 $s$，策略 $\pi$ 给出一个动作的概率分布 $\pi (a|s)$，智能体根据这个概率分布随机选择动作。随机性策略在探索环境中非常有用，因为它允许智能体尝试不同的动作，从而发现更好的行为模式。

2. 策略的作用

• 决策依据：策略是智能体在环境中做出决策的依据。智能体根据当前状态和策略来选择动作，从而与环境进行交互。
• 影响轨迹：策略决定了智能体在环境中的行动轨迹（Trajectory），即状态和动作的序列。不同的策略会导致不同的轨迹，进而影响智能体获得的奖励。
• 学习目标：在强化学习中，学习的目标是找到一个最优策略 ${\pi }^{\ast }$，使得智能体在该策略下能够获得最大的累积奖励。通过不断调整策略，智能体可以逐步改进其行为，从而更好地适应环境。

3.策略模型

我们可以使用大模型来表示策略模型，比如使用一个神经网络来表示策略模型，在PPO算法中，我们可以将语言模型当作策略，它是待优化的模型，参与参数更新

二、价值模型

价值用于衡量智能体在特定状态下或采取特定动作时的长期收益。价值函数是强化学习算法中用于评估策略优劣的关键工具，通过价值函数，智能体可以判断在给定策略下，不同状态或动作的相对重要性。

1. 价值函数的定义

价值函数（Value Function）是衡量智能体在给定策略下，从某个状态或状态-动作对开始，能够获得的长期累积奖励的期望值。根据其定义的侧重点不同，价值函数主要分为以下两种类型：

（1）状态值函数（State Value Function）

状态值函数 $V_{\pi }(s)$ 表示在策略 $\pi$ 下，从状态 $s$ 开始，智能体能够获得的累积奖励的期望值。数学上可以表示为：
$$V_{\pi }(s)={\mathbb{E}}_{\pi }\left[\sum _{t=0}^{\infty }{\gamma }^t{R}_{t+1}\mid S_t=s\right]$$
其中：

• $R_{t+1}$ 是在时间步 $t+1$ 获得的奖励。

• $\gamma$ 是折扣因子（$0\le \gamma <1$），用于衡量未来奖励的当前价值，$\gamma$ 越接近 1，未来奖励的当前价值越高。

• ${\mathbb{E}}_{\pi }$ 表示在策略 $\pi$ 下的期望。

状态值函数反映了在给定策略下，某个状态的“价值”或“重要性”。值越高，说明从该状态开始，智能体能够获得更多的累积奖励。

（2）动作值函数（Action Value Function）

动作值函数 $Q_{\pi }(s,a)$ 表示在策略 $\pi$ 下，从状态 $s$ 开始并采取动作 $a$ 后，智能体能够获得的累积奖励的期望值。数学上可以表示为：
$$Q_{\pi }(s,a)={\mathbb{E}}_{\pi }\left[\sum _{t=0}^{\infty }{\gamma }^t{R}_{t+1}\mid S_t=s,A_t=a\right]$$
动作值函数不仅考虑了当前状态，还考虑了当前采取的动作，因此它能够更细致地评估在特定状态下采取不同动作的优劣。

2. 价值函数的作用

价值函数在强化学习中具有以下重要作用：

（1）评估策略

通过计算状态值函数 $V_{\pi }(s)$ 或动作值函数 $Q_{\pi }(s,a)$，可以评估当前策略 $\pi$ 的性能。如果一个策略在所有状态下的价值函数值都较高，说明该策略能够使智能体获得更多的累积奖励，是一个较好的策略。

（2）指导策略改进

价值函数可以为策略的改进提供指导。例如，在策略迭代（Policy Iteration）算法中，通过计算状态值函数来评估当前策略，然后根据状态值函数来改进策略，使得智能体在每个状态下都选择价值最高的动作。

在值函数迭代（Value Iteration）算法中，直接通过动作值函数来更新策略，选择使 $Q_{\pi }(s,a)$ 最大的动作作为新的策略。

（3）帮助决策

在实际决策过程中，智能体可以根据动作值函数 $Q_{\pi }(s,a)$ 来选择动作。例如，在 $ϵ$-贪婪策略中，智能体以 $1-ϵ$ 的概率选择使 $Q_{\pi }(s,a)$ 最大的动作，以 $ϵ$ 的概率随机选择动作，从而在探索和利用之间进行平衡。

3. 价值模型

在PPO算法中我们可以使用大模型来作为价值模型，它可以计算当前动作和状态的期望回报，可有奖励模型和策略模型初始化而成，参与参数更新

三、奖励模型

奖励模型（Reward Model）是强化学习中一个关键的组成部分，它通过为智能体的行为或输出分配奖励值，来指导智能体的学习方向。以下是关于奖励模型的详细介绍：

• 单步奖励 ：根据当前状态、动作和下一个状态由奖励模型得到的即时奖励，评估当前动作的好坏
• 累计奖励：一条完整轨迹的单步奖励之和
• 折扣奖励：平衡即时奖励和长期奖励之间的关系，使得智能体在决策时不经要考虑当前的奖励，还要考虑未来的潜在奖励。
• 轨迹：轨迹由一系列的状态、动作组成，代表一次完整的采样，即大模型生成一条完整的句子。

奖励模型的定义

奖励模型是一种用于量化评估智能体行为或输出质量的模型，其核心任务是根据给定的输入和反馈来预测奖励值。在强化学习中，奖励模型的输出通常是一个标量值，表示对某个行为或输出的奖励，这个奖励值用于指导策略模型的优化。

奖励模型的作用

• 指导策略优化：奖励模型的输出作为强化学习算法中的奖励信号，直接指导策略模型的优化方向。例如，在RLHF（Reinforcement Learning from Human Feedback）中，奖励模型通过整合人类反馈，帮助强化学习算法更有效地优化策略。
• 评估输出质量：奖励模型可以对智能体的输出进行质量评估，判断其是否符合人类偏好或任务要求。
• 替代环境奖励：在一些场景中，环境提供的奖励信号可能不够准确或难以获取，奖励模型可以替代环境奖励，成为策略模型优化的唯一奖励来源。

奖励模型的类型

常见的奖励模型主要有以下两种形式：

• 结果奖励模型（Outcome Reward Model，ORM）：这种模型关注的是最终结果的质量，即对生成的输出整体进行打分评估。例如，在文本生成任务中，ORM会对生成的完整文本进行评分。
• 过程奖励模型（Process Reward Model，PRM）：与ORM不同，PRM不仅关注最终结果，还会在生成过程中对每一步进行打分，是一种更细粒度的奖励模型。

奖励模型总结

计算当前的动作的即时奖励，不参与参数更新。

四、参考模型

在强化学习和人工智能领域，参考模型（Reference Model） 是一种用于辅助训练和优化的模型，它通常作为基准或对比标准，帮助指导策略模型的训练方向。以下是参考模型的详细解释：

参考模型的定义

参考模型是一种预训练好的模型，通常用于在训练过程中提供额外的约束或指导。它可以帮助策略模型（Actor Model）在优化过程中保持稳定，避免过度偏离初始的策略或生成不符合要求的结果。

参考模型的应用

在强化学习中，参考模型的应用场景主要包括以下几种：

1. 约束策略更新：在RLHF（Reinforcement Learning from Human Feedback）和PPO（Proximal Policy Optimization）等算法中，参考模型通常是一个经过监督微调（SFT）的模型，用于计算KL散度（Kullback-Leibler Divergence），以约束策略模型的更新，防止其偏离初始策略。
2. 对比学习：在DPO（Direct Preference Optimization）等算法中，参考模型用于对比策略模型的输出，帮助优化策略模型，使其生成的结果更符合人类偏好。
3. 提供基线：在一些强化学习算法中，参考模型可以提供一个基线性能，用于评估策略模型的改进程度。

参考模型的作用

• 保持稳定性：通过约束策略模型的更新，参考模型可以帮助训练过程保持稳定，避免策略模型在优化过程中出现剧烈波动。
• 提高对齐性：参考模型可以作为人类偏好的代理，帮助策略模型生成更符合人类期望的结果。
• 简化训练流程：在某些算法中，参考模型可以替代复杂的奖励模型或价值函数，从而简化训练流程。

参考模型的总结

参考模型是用来限制策略模型在更新时不让其偏离基础模型太远，不参与参数更新，由策略模型进行初始化。

五、策略损失

在强化学习中，策略损失（Policy Loss） 是衡量当前策略性能的一个关键指标，它反映了当前策略与最优策略之间的差距。策略损失通常用于指导策略模型（Policy Model）的优化，通过最小化策略损失，可以逐步改进策略，使其能够获得更高的累积奖励。

1. 策略损失的定义

策略损失是通过某种方式量化当前策略 ${\pi }_{\theta }$ 与最优策略 ${\pi }^{\ast }$ 之间的差异。在不同的强化学习算法中，策略损失的定义和计算方式可能有所不同，但其核心目标是通过优化策略参数 $\theta$ 来最大化累积奖励的期望值。

2. 常见的策略损失形式

以下是几种常见的策略损失形式及其计算方式：

（1）策略梯度损失（Policy Gradient Loss）

策略梯度方法通过最大化累积奖励的期望值来优化策略。策略梯度损失通常定义为：
$$L(\theta )=-{\mathbb{E}}_{{\pi }_{\theta }}\left[\sum _{t=0}^T{\gamma }^t{R}_{t+1}\right]$$
其中：

• ${\pi }_{\theta }$ 是当前策略。
• $R_{t+1}$ 是在时间步 $t+1$ 获得的奖励。
• $\gamma$ 是折扣因子。
• $T$ 是轨迹的长度。

策略梯度损失的目标是最小化这个损失函数，从而最大化累积奖励的期望值。通过计算这个损失函数的梯度，并使用梯度上升方法更新策略参数 $\theta$，可以逐步改进策略。

（2）PPO（Proximal Policy Optimization）损失

PPO 是一种改进的策略梯度方法，它通过引入截断的概率比来防止策略更新过大，从而提高训练的稳定性。PPO 的策略损失定义为：
$$L^{CLIP}(\theta )={\mathbb{E}}_t\left[\min \left(\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}{A}_t,\text{clip}\left(\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)},1-ϵ,1+ϵ\right)A_t\right)\right]$$
其中：

• ${\pi }_{{\theta }_{old}}$ 是上一次更新的策略。
• $A_t$ 是优势函数（Advantage Function），表示在状态 $s_t$ 下采取动作 $a_t$ 的优势。
• $ϵ$ 是一个超参数，用于控制截断的范围。

PPO 损失通过限制策略更新的幅度，防止策略在每次更新时发生过大的变化，从而提高训练的稳定性和收敛速度。

（3）DPO（Direct Preference Optimization）损失

DPO 是一种基于人类偏好的强化学习方法，它直接优化策略以生成更符合人类偏好的输出。DPO 的策略损失定义为：
$$L^{DPO}(\theta )={\mathbb{E}}_{s,a,a^{\prime }}\left[\log \left(\frac{{\pi }_{\theta }(a|s)}{{\pi }_{\theta }(a|s)+{\pi }_{\theta }(a^{\prime }|s)}\right)\right]$$
其中：

• $s$ 是状态。
• $a$ 和 $a^{\prime }$ 是两个动作，其中 $a$ 是更受人类偏好的动作。
• ${\pi }_{\theta }(a|s)$ 是策略在状态 $s$ 下选择动作 $a$ 的概率。

DPO 损失通过优化策略，使其更倾向于选择人类偏好的动作，从而提高生成结果的质量。

3. 策略损失的作用

策略损失在强化学习中具有以下重要作用：

• 指导策略优化：通过最小化策略损失，可以逐步改进策略，使其能够获得更高的累积奖励。
• 衡量策略性能：策略损失可以作为衡量当前策略性能的一个指标，通过观察策略损失的变化，可以判断策略是否在逐步优化。
• 控制策略更新：在一些算法中，策略损失可以通过引入约束或截断机制，控制策略更新的幅度，防止策略在每次更新时发生过大的变化，从而提高训练的稳定性。

4. 策略损失的优化

优化策略损失是强化学习中的一个核心问题，常见的优化方法包括：

• 梯度上升：通过计算策略损失的梯度，并使用梯度上升方法更新策略参数 $\theta$，从而最大化累积奖励的期望值。
• 截断概率比：在 PPO 中，通过引入截断的概率比，限制策略更新的幅度，从而提高训练的稳定性。
• 对比学习：在 DPO 中，通过对比两个动作的概率，优化策略使其更倾向于选择人类偏好的动作。

策略梯度损失的计算

策略梯度损失的计算涉及以下步骤：

1. 采样轨迹：从当前策略 ${\pi }_{\theta }$ 中采样一条轨迹 $\tau =(s_0,a_0,r_1,s_1,a_1,r_2,\dots ,s_T,a_T,r_{T+1})$。
2. 计算累积奖励：对于每个时间步 $t$，计算从 $t$ 开始到轨迹结束的累积奖励：

$$G_t=\sum _{k=t}^T{\gamma }^{k-t}{R}_{k+1}$$

1. 计算梯度：对于每个时间步 $t$，计算策略梯度损失函数的梯度：

$${\nabla }_{\theta }L(\theta )=-{\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)\cdot G_t$$

1. 更新策略参数：沿着梯度的方向更新策略参数 $\theta$：

$$\theta \leftarrow \theta +\alpha {\nabla }_{\theta }L(\theta )$$
其中 $\alpha$ 是学习率。

策略梯度损失的优化

策略梯度方法通过不断采样轨迹、计算梯度和更新策略参数，从而逐步改进策略，使其能够获得更高的累积奖励。这个过程可以看作是在策略空间中进行梯度下降，不断接近策略梯度损失函数的最低点。

策略梯度损失与深度学习梯度下降的对比

• 目标不同：深度学习中的梯度下降是为了最小化损失函数，而策略梯度是为了最大化累积奖励的期望值。
• 梯度方向不同：深度学习中的梯度下降是沿着梯度的反方向更新参数，而策略梯度是沿着梯度的方向更新参数。
• 采样方式不同：深度学习中的梯度下降通常使用整个数据集或其子集来计算梯度，而策略梯度是通过采样轨迹来计算梯度。

5. 策略损失的总结

策略损失是强化学习中用于衡量当前策略性能的一个关键指标，通过最小化策略损失，可以逐步改进策略，使其能够获得更高的累积奖励。不同的强化学习算法中，策略损失的定义和计算方式可能有所不同，但其核心目标是通过优化策略参数，提高策略的性能。

六价值损失

在强化学习中，价值损失（Value Loss） 是用于衡量价值函数估计的准确性的损失函数。它通常用于优化价值函数，使其能够更准确地预测在给定策略下从某个状态或状态-动作对开始的累积奖励的期望值。

价值损失的定义

价值损失函数是针对价值函数（如状态值函数 $V_{\pi }(s)$ 或动作值函数 $Q_{\pi }(s,a)$）的优化目标。它的目的是最小化价值函数的估计值与真实值之间的差异。常见的价值损失函数包括均方误差（Mean Squared Error, MSE）和二元交叉熵损失（Binary Cross-Entropy Loss）。

常见的价值损失形式

1. 均方误差损失（MSE Loss）：
   均方误差损失是最常用的价值损失函数之一，它计算价值函数的估计值与目标值之间的平方差的均值。对于状态值函数 $V_{\pi }(s)$，其损失函数可以表示为：
   $$L_V({\theta }_V)={\mathbb{E}}_s\left[(V_{\pi }(s)-V_{\theta }(s){)}^2\right]$$
   其中 $V_{\theta }(s)$ 是价值函数的估计值，$V_{\pi }(s)$ 是目标值（通常是通过贝尔曼方程计算得到的）。

2. 二元交叉熵损失（Binary Cross-Entropy Loss）：
   二元交叉熵损失在某些情况下也被用于价值函数的优化，尤其是在处理概率分布或分类问题时。它能够提供更稳定的梯度，尤其是在目标值为0或1的情况下。

价值损失的作用

价值损失在强化学习中具有以下重要作用：

• 优化价值函数：通过最小化价值损失，可以优化价值函数的参数，使其能够更准确地预测累积奖励的期望值。
• 指导策略优化：准确的价值函数可以为策略优化提供更好的指导，帮助策略模型更有效地选择动作。

价值损失的优化

优化价值损失通常涉及以下步骤：

1. 采样数据：从环境中采样状态或状态-动作对及其对应的奖励和下一个状态。
2. 计算目标值：根据贝尔曼方程计算目标值，例如对于状态值函数：
   $$V_{\pi }(s)=R_{t+1}+\gamma V_{\pi }(S_{t+1})$$
3. 计算损失：根据选择的价值损失函数（如MSE或二元交叉熵损失）计算当前估计值与目标值之间的损失。
4. 更新参数：通过反向传播计算损失函数的梯度，并更新价值函数的参数。

总结

价值损失是强化学习中用于优化价值函数的关键工具。通过最小化价值损失，可以提高价值函数的准确性，从而为策略优化提供更好的指导。常见的价值损失函数包括均方误差损失和二元交叉熵损失，它们各有优缺点，适用于不同的场景。

七、基于策略的强化学习优化目标

1. 基于策略的强化学习的优化目标

基于策略的强化学习的优化目标是最大化累积奖励的期望值。具体来说，优化目标可以表示为：
$$\underset{\pi }{\max }{\mathbb{E}}_{\pi }\left[\sum _{t=0}^{\infty }{\gamma }^t{R}_{t+1}\right]$$
公式解释：

• $\pi$ 是策略函数，表示在给定状态下选择动作的概率分布。
• $R_{t+1}$ 是在时间步 $t+1$ 获得的奖励。
• $\gamma$ 是折扣因子，用于衡量未来奖励的当前价值，取值范围为 $0\le \gamma <1$。
• ${\mathbb{E}}_{\pi }$ 表示在策略 $\pi$ 下的期望，即考虑所有可能的轨迹及其概率。

具体含义：
这个公式表示我们希望找到一个策略 $\pi$，使得从初始状态开始，按照该策略行动所获得的累积奖励的期望值最大化。累积奖励是所有未来奖励的折扣和，折扣因子 $\gamma$ 用于减少未来奖励的权重，使得近期奖励比远期奖励更重要。

2. 策略梯度定理

为了实现上述优化目标，基于策略的方法通常使用策略梯度定理（Policy Gradient Theorem）。策略梯度定理提供了策略性能的梯度的解析表达式，使得可以通过梯度上升方法优化策略参数。

策略梯度定理表明，策略性能的梯度可以表示为：
$${\nabla }_{\theta }J(\theta )={\mathbb{E}}_{\pi }\left[\sum _{t=0}^{\infty }{\gamma }^t{\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)\cdot G_t\right]$$
公式解释：

• $J(\theta )$ 是策略性能，即累积奖励的期望值。
• ${\pi }_{\theta }(a_t|s_t)$ 是在策略 $\pi$ 下，状态 $s_t$ 下选择动作 $a_t$ 的概率。
• $G_t$ 是从时间步 $t$ 开始的累积奖励：

$$G_t=\sum _{k=t}^{\infty }{\gamma }^{k-t}{R}_{k+1}$$

• ${\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)$ 是策略函数的对数概率关于参数 $\theta$ 的梯度。

具体含义：
这个公式表示策略性能的梯度可以通过采样轨迹来估计。对于每条采样的轨迹 $\tau =(s_0,a_0,r_1,s_1,a_1,r_2,\dots )$，可以计算每个时间步 $t$ 的梯度：
$${\nabla }_{\theta }J(\theta )\approx \sum _{t=0}^T{\gamma }^t{\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)\cdot G_t$$
其中 $T$ 是轨迹的长度。通过这个梯度，我们可以使用梯度上升方法更新策略参数 $\theta$，从而逐步改进策略。

3. 策略损失函数

在实际实现中，策略梯度方法通常会定义一个策略损失函数（Policy Loss Function），并通过最小化这个损失函数来优化策略。策略损失函数通常定义为：
$$L(\theta )=-{\mathbb{E}}_{\pi }\left[\sum _{t=0}^{\infty }{\gamma }^t\log {\pi }_{\theta }(a_t|s_t)\cdot G_t\right]$$
公式解释：

• $\log {\pi }_{\theta }(a_t|s_t)$ 是策略函数的对数概率。
• $G_t$ 是从时间步 $t$ 开始的累积奖励。
• ${\mathbb{E}}_{\pi }$ 表示在策略 $\pi$ 下的期望。

具体含义：
这个损失函数是策略梯度的负值。通过最小化这个损失函数，可以最大化策略性能 $J(\theta )$。在实际操作中，我们通常使用采样轨迹来近似计算这个期望值。

4. 策略优化方法

基于策略的强化学习方法通过优化策略损失函数来改进策略。以下是一些常见的策略优化方法：

（1）REINFORCE算法

REINFORCE算法是最简单的策略梯度方法之一，它直接使用采样轨迹来估计策略梯度。REINFORCE算法的更新规则为：
$$\theta \leftarrow \theta +\alpha \sum _{t=0}^T{\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)\cdot G_t$$
公式解释：

• $\alpha$ 是学习率，控制参数更新的步长。
• $T$ 是轨迹的长度，表示采样轨迹的结束时间步。

具体含义：
REINFORCE算法通过采样一条完整的轨迹，计算每个时间步的梯度 ${\nabla }_{\theta }\log {\pi }_{\theta }(a_t|s_t)\cdot G_t$，并累加这些梯度来更新策略参数 $\theta$。这种方法简单易实现，但其方差较高，可能导致训练不稳定。

（2）PPO（Proximal Policy Optimization）

PPO是一种改进的策略梯度方法，通过引入剪切机制（Clipping Mechanism）来限制策略更新的幅度，从而提高训练的稳定性。PPO的策略损失函数定义为：
$$L^{CLIP}(\theta )={\mathbb{E}}_t\left[\min \left(r_t(\theta )A_t,\text{clip}(r_t(\theta ),1-ϵ,1+ϵ)A_t\right)\right]$$
公式解释：

• $r_t(\theta )=\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}$ 是新策略与旧策略的概率比率。
• $A_t$ 是优势函数，表示在状态 $s_t$ 下采取动作 $a_t$ 的优势。
• $ϵ$ 是一个超参数，通常取值为0.1或0.2。
• $\text{clip}(r_t(\theta ),1-ϵ,1+ϵ)$ 是对概率比率 $r_t(\theta )$ 的剪切操作，限制其在 $[1-ϵ,1+ϵ]$ 范围内。

具体含义：
PPO通过剪切机制，限制新策略与旧策略之间的概率比率，防止策略更新过大。这样可以提高训练的稳定性和收敛速度。PPO的目标函数结合了未剪切和剪切后的概率比率，取两者的最小值，从而在优化过程中保持策略更新的稳定性。

（3）Actor-Critic方法

Actor-Critic方法结合了策略梯度方法和价值函数方法的优点。其中，Actor负责优化策略，Critic负责估计价值函数。通过Critic提供的价值估计，可以降低策略梯度的方差，从而提高训练的稳定性。

5. 总结

基于策略的强化学习的优化目标是最大化累积奖励的期望值。通过策略梯度定理，可以计算策略性能的梯度，并使用梯度上升方法优化策略参数。常见的策略优化方法包括REINFORCE算法、PPO算法和Actor-Critic方法。这些方法通过不同的策略损失函数和优化机制，逐步改进策略，使其能够获得更高的累积奖励。