之前的方法都是action-value methods:基于action values 来选择policy,没有value就没有policy。本章考虑直接学习parameterized policy,不需要value。可以学value function来辅助policy learning,但不需要action value 来选择action。用
来表示policy parameter vector,
,
表示value function weights。优化performance measure
来更新policy parameter:
,称为policy gradient methods。policy和value都用的叫actor-critic methods。本章先从episodic开始,performance就是value of start state,再考虑continuing case,用average reward rate作为performance measure,最后把它们联系起来。
13.1 Policy Approximation and its Advantages
policy parameter只要是differentiable,只要
存在,且对所有state,action是finite即可。实际操作中,为了保证exploration,一般要求policy不能变成deterministic。本section考虑discrete action spaces,说明policy gradient的advantages。policy-based methods 也有一些处理continuous action spaces的方法,见Section 13.7。action space是discrete且不太多时,一个常用的parameter是给每个state-action pair输出preferences
,再用softmax处理,选择preference最高的action。具体怎么得到preference就随便,可以是neural network,可以是linear function。parameterized policy + softmax一个优势是可以逼近deterministic policy,而epsilon greedy至少有有epsilon。可以用action value + softmax,但这也不能逼近deterministic,action value和直接但prob 0 / 1还是不一样但。如果softmax用temperature,应该逐渐减小来逼近deterministic。但实际操作中很难设定合适但减小速度,连temperature初始值都很难找。action preferences和action value很不同,它们不是逼近特定的值,只要是optimal action,就增大preference就好,知道infinite(如果允许的话)。parameterized policy + softmax 第二个优势是可以根据任何prob选择action。有时optimal policy可能是stochastic,比如card game,不知道全部信息,最好但policy是按一定prob选择多个action。如example 13.1,四个states,左边三个nonterminal,只有左右两个actions,第一个和第三个都正常,第二个state,选择左会走向右,选择右会走向左。state-action feature对三个states都一样。value-based methods会强制都往左或往右,而policy-based会选择合适的prob。
第三个优势是有时候policy function更容易得到。有的task state少action少但policy复杂,那就用action-value methods,有的policy简单,env复杂,那就policy methods。最后,用policy function可以很方便地使用prior knowledge,这经常是使用policy-based learning但主要原因。
13.2 The Policy Gradient Theorem
除了上面的advantage,还有一些理论上的advantage。policy parameterization在action之间prob是平滑的,不像action-value based methods,action轻轻一变value就可能变化巨大。这也让policy parameter更容易converge。episodic 和 continuing case有不一样但performance measure
,虽然但是,本书尽量合起来,保证主要理论结果能用一套公式表示。本section考虑episodic case,performance measure即value of start state。假设start state一样,episodic performance:
如何优化policy parameter呢?performance不仅仅受policy影响,也有env的作用,而env的model一般不知道。幸好有
policy gradient theorem 解决,得到对于performance,policy parameter的gradient,而和env无关。policy gradient theorem for episodic case:
constant proportionality 是 average length of an episode,对于continuing case 为 1。 值on-policy distribution (see P199)。
Proof of policy gradient from Levine's course. let
be a trajectory,
, probability of
is the probability of the whole trajectory
.
13.3 REINFORCE: Monte Carlo Policy Gradient
all-actions methods, 直接从 (13.5) 得到, 用
得到的sample即follow
,对于一个step,直接更新所有的actions:
REINFORCE 只update使用的action
,用sample代替 (13.6) 的expectation:
得到policy parameter update:
REINFORCE完成episode后才更新,看起来像是个Monte Carlo (gradient 改成用sum of ln,加上discounting):
下图为REINFORCE 在 example 13.1 的结果:
用的是标准的SGD,REINFORCE能保证converge,虽然可能high variance因此学起来慢。
13.4 REINFORCE with Baseline
(13.5) 可以加上一个baseline
:
文章标题: Intro to RL Chapter 13: Policy Gradient Methods
文章地址: http://www.xdqxjxc.cn/duhougan/123023.html