前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >强化学习系列之六:策略梯度

强化学习系列之六:策略梯度

作者头像
AlgorithmDog
发布2018-01-08 16:03:37
1.7K0
发布2018-01-08 16:03:37
举报
文章被收录于专栏:AlgorithmDog的专栏

文章目录 [隐藏]

  • 1. 策略参数化
  • 2. 策略梯度算法
    • 2.1 MC Policy Gradient
    • 2.2 Actor-Critic
  • 3. 为什么要有策略梯度
  • 4. 总结
  • 强化学习系列系列文章

上一篇文章介绍价值函数近似,用模型拟合价值函数。这篇文章我们介绍梯度策略,用模型直接拟合策略。

1. 策略参数化

强化学习有两种场景。一种是离散的强化学习场景。在这种场景下,我们从状态抽取状态特征向量

。和价值函数近似,我们让

特征向量一共有 |A| 部分,分别对应不同的动作。在

特征向量, a 动作对应位置放

特征,其他动作对应位置为 0。设定参数

(1)

其中

表示遇到状态特征

采取动作 a 的概率。策略用了著名的 Softmax 函数,因此也被称为 softmax 策略。容易求得 Softmax 函数对数的梯度。

(2)

另一种是连续的强化学习场景。在连续强化学习场景下,我们也是从状态抽取状态特征向量

,然后设定一个参数向量

,然后用特征和参数计算不同动作的概率。

(3)

其中动作 a 是一个实数值。策略用了标准差为 1 的高斯分布,因此该策略被称为高斯策略。容易求得高斯策略的对数梯度。

(4)

强化学习就是学习参数

的值。那么我们按什么样的目标学习参数

呢? 我们有如下三种目标。其中第一个目标适用于每次从一个开始状态出发的强化学习,另外两种目标适用于其他场景。

(5)

其中

是策略

稳定概率。虽然我们有三种目标函数,但是下面的策略梯度定理揭示这些目标函数的梯度是一致。只要我们求得梯度,就可以应用梯度下降相关算法了。

根据策略梯度定理,我们只要计算出

和价值

,就可以求解策略梯度优化问题了。Softmax 和高斯策略的

计算公式在上面已经介绍了。Softmax 策略的更新代码。

代码语言:javascript
复制
//policy 待更新的策略
//f      状态特征
//a      动作
//qvalue q值
//alpha  学习率
def update_softmaxpolicy(policy, f, a, qvalue, alpha):

    fea  = policy.get_fea_vec(f,a);
    prob = policy.pi(f);
    
    delte_logJ = fea;
    for i in xrange(len(policy.actions)):
        a1          = policy.actions[i];
        fea1        = policy.get_fea_vec(f,a1);
        delta_logJ -= fea1 * prob[i];

    policy.theta -= alpha * delta_logJ * qvalue; 

2. 策略梯度算法

为了求解策略梯度优化问题,我们需要计算

和价值

。按照上述内容,我们能够求得

,那怎么求解价值

呢?

2.1 MC Policy Gradient

蒙特卡罗策略梯度适用于插曲式的强化学习场景。插曲式强化学习场景中,系统会从一个固定或者随机起始状态出发,经过一定的过程之后,进入一个终止状态。比如,机器人找金币例子就是插曲式强化学习场景。蒙特卡罗策略梯度让系统探索环境,生成一个从起始状态到终止状态的状态-动作-奖励序列。

(6)

在第 t 时刻,我们让

等于

,从而求解策略梯度优化问题。蒙特卡罗策略梯度代码如下。

代码语言:javascript
复制
def mc(grid, policy, num_iter1, alpha):
    actions = grid.actions;
    gamma   = grid.gamma;
    for i in xrange(len(policy.theta)):
        policy.theta[i] = 0.1

    for iter1 in xrange(num_iter1):

        f_sample = []
        a_sample = []
        r_sample = []   
        
        f = grid.start()
        t = False
        count = 0
        while False == t and count < 100:
            a = policy.take_action(f)
            t, f1, r  = grid.receive(a)
            f_sample.append(f)
            r_sample.append(r)
            a_sample.append(a)
            f = f1            
            count += 1


        g = 0.0
        for i in xrange(len(f_sample)-1, -1, -1):
            g *= gamma
            g += r_sample[i];
        
        for i in xrange(len(f_sample)):
            update(policy, f_sample[i], a_sample[i], g, alpha)

            g -= r_sample[i];
            g /= gamma;
        

    return policy
2.2 Actor-Critic

价值函数近似的强化学习算法用于估计状态-动作价值 q(s,a)。策略梯度算法引入价值函数近似提供价值是一个很好的思路。这时候,算法分为两个部分:Actor 和 Critic。Actor 更新策略, Critic 更新价值。Critic 就可以用之前介绍的 SARSA 或者 QLearning 算法。下面是 SARSA 算法代码示例。

代码语言:javascript
复制
def sarsa(grid, policy, value, num_iter1, alpha):
    actions = grid.actions;
    gamma   = grid.gamma;
    for i in xrange(len(policy.theta)):
        value.theta[i]  = 0.1
        policy.theta[i] = 0.0;

    for iter1 in xrange(num_iter1):
        f = grid.start();
        a = actions[int(random.random() * len(actions))]
        t = False
        count = 0

        while False == t and count < 100:
            t,f1,r      = grid.receive(a)
            a1          = policy.take_action(f1)
            update_value(value, f, a, \
                         r + gamma * value.qfunc(f1, a1), alpha);
            update_policy(policy, f, a, value.qfunc(f,a), alpha);

            f           = f1
            a           = a1
            count      += 1

    return policy;

3. 为什么要有策略梯度

策略梯度的第一个优势是其能够处理连续场景。价值函数近似就不适用了连续的强化学习场景。因为

是一个无限集合的情况下,我们无法计算

了。但如果我们使用的是策略梯度,

输出实数值。当然这一部分可以通过改进价值函数形式的方式解决。

策略梯度的另一好处是概率化输出。在预测时,价值函数近似应用了贪婪策略或者

贪婪策略,选择价值最大的方向。有时候这可能会导致问题。还是拿机器人找金币做例子(如下图所示),状态特征是北(东,南,西)方向是否面对墙。状态 2 和 状态 4 的状态特征一样,贪婪策略或者

贪婪策略采取相同动作。如果动作是向右,则状态 4 之后会陷入 4 和 5 之间的循环。如果动作是向左,则状态 2 之后会陷入 1 和 2 之间的循环。但是如果我们采用策略梯度,在状态 2 和状态 4,学习到的策略输出向右和向左动作的概率都是 0.5,从而不会陷入循环。

4. 总结

本文介绍了梯度策略相关知识。本文代码可以在 Github 上找到,欢迎有兴趣的同学帮我挑挑毛病。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2016年5月9日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 策略参数化
  • 2. 策略梯度算法
    • 2.1 MC Policy Gradient
      • 2.2 Actor-Critic
      • 3. 为什么要有策略梯度
      • 4. 总结
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档