强化学习p3-策略学习

Policy Network (策略网络)

我们无法知道策略函数$\pi$所以要做函数近似，求一个近似的策略函数
使用策略网络$\pi (a|s;\theta )$ 去近似策略函数$\pi (a|s)$

${\sum }_{a\in A}\pi (a|s;\theta )=1$
动作空间A的大小是多少，输出向量的维度就是多少。

策略学习的目标函数

状态价值函数(State-value function)
$V_{\pi }(s_t)=E_A[Q_{\pi }(s_t,A)]={\sum }_a\pi (a|s_t)\cdot Q_{\pi }(s_t,a)$
对A求期望，去掉A的影响
用策略网络$\pi (a|s_t;\theta )$ 去近似策略函数$\pi (a|s_t)$
$V_{\pi }(s_t;\theta )=E_A[Q_{\pi }(s_t,A)]={\sum }_a\pi (a|s_t;\theta )\cdot Q_{\pi }(s_t,a)$
近似状态价值既依赖于当前状态 $s_t$，也依赖于策略网络 $\pi$的参数$\theta$
如果一个策略很好，那么状态价值函数的近似 $V_{\pi }(s;\theta )$的均值应当很大。因此我们定义目标函数：
$J(\theta )=E_S[V_{\pi }(s;\theta )]$
目标函数$J(\theta )$ 排除了状态 $S$的因素，只依赖于策略网络$\pi$的参数$\theta$。策略越好，则$J(\theta )$ 越大，所以策略学习可以被看作是这样一个优化问题：
${\max }_{\theta }J(\theta )$
通过学习参数 $\theta$ ，使得目标函数 $J(\theta )$
越来越大，也就意味着策略网络越来越好。

使用策略梯度上升更新 $\theta$ ，使得 $J(\theta )$增大。
设当前策略网络的参数为$\theta$,做梯度上升更新参数，得到新的参数${\theta }^{\prime }$,$\beta$为学习率
${\theta }^{\prime }=\theta +\beta \cdot \frac{\partial V(s;\theta )}{\partial \theta }$

策略梯度(Policy Gradient)

$\frac{\partial V(s;\theta )}{\partial \theta }$大概推导 不严谨 实际上$Q_{\pi }$中也有$\theta$要求导

使用策略梯度更新策略网络

算法：
1、在$t$时刻观测到状态$s_t$
2、根据策略网络$\pi (.|s_t;\theta )$随机抽样一个动作$a_t$
3、计算动作价值$q_t\approx Q_{\pi }(s_t,a_t)$
4、计算策略网络关于参数 $\theta$的微分 $d\theta =\frac{\partial ln\pi (a|s;\theta )}{\partial \theta }{|}_{\theta ={\theta }_t}$
5、计算近似策略梯度 $g(a_t,{\theta }_t)=q_t,d\theta$
6、更新策略网络： ${\theta }_{t+1}={\theta }_t+\beta \cdot g(a_t,{\theta }_t)$

在第 3 步中，怎么计算 $q_t$？
在后面章节中，我们用两种方法对$Q_{\pi }(s,a)$ 做近似。
1、REINFORCE 算法
用实际观测的回报$u$近似$Q_{\pi }(s,a)$。
2、actor-critic 算法
用神经网络$q(s,a;w)$近似 $Q_{\pi }(s,a)$。

所以想要近似求得$\pi$函数 还要近似求得$Q_{\pi }$函数