策略梯度（Policy Gradient, PG）

在之前的Q-table中，由于Q值与感知态的强绑定问题，无法学习随机策略（也无法区分感知相同但需求不同的状态，比如说非对称），因此需要使用PG求解，

在一些情节，比如说机器臂（连续动作空间），石头剪刀布（概率性策略）中，我们可以使用PG，同时，收敛性也更加强

PG的主要目的就是计算梯度并更新参数来改变策略，直接输出动作概率

1. 理论

首先给出轨迹的概念，把环境输出的$s$与演员输出的动作$a$全部组合起来，就是一个轨迹(trajectory)

$$ \tau = {s_1, a_1, s_2, a_2,...,s_t,a_t} $$

就像是神经网络一样，前输出就是后输入

在给定参数$\theta$，计算某个轨迹$\tau$发生的概率为

$$\begin{gathered} p_{\theta}(\tau) = p(s_1)p_{\theta}(a_1 \mid s_1)p(s_2 \mid s_1, a_1)p_{\theta}(a_2 \mid s_2)p(s_2 \mid s_1, a_1) \cdots \\ =p(s_1)\prod_{t=1}^Tp_{\theta}(a_t \mid s_t)p(s_{t+1} \mid s_t, a_t) \end{gathered}$$

其中，$p(s_1)$为厨师状态分布（也就是起点），$p_{\theta}(a_t \mid s_t)$为策略在状态$s_t$下选择动作$a_t$的概率，$p(s_{t+1} \mid s_t, a_t)$为状态转移概率

一句话概括一下的话，就是在给定策略$\pi_{\theta}$（或$p_{\theta}$）下，一整条轨迹$\tau$出现的概率是多少。这公式蛮重要的，是后续梯度下降的基础。就是上图的数学表达而已，不复杂

改图是计算奖励的过程，$R(\tau)$就是每个步骤获取的奖励累加，

在某一场游戏的某一个回合里面，我们会得到$R(\tau)$。我们要做的就是调整演员内部的参数$\theta$，使得$R(\tau)$的值越大越好。但实际上$R(\tau)$并不只是一个标量（scalar），它是一个随机变量，因为演员在给定同样的状态下会采取什么样的动作，这是有随机性的。环境在给定同样的观测时要采取什么样的动作，要产生什么样的观测，本身也是有随机性的，所以$R(\tau)$是一个随机变量。我们能够计算的是$R(\tau)$的期望值。给定某一组参数，我们可计算$r_\theta$的期望值为

$$ \bar{R}_\theta = \sum_{\tau}R(\tau)p_\theta(\tau) $$

比如$\theta$对应的模型很强，如果有一个回合$\theta$很快就死掉了，因为这种情况很少会发生，所以该回合对应的轨迹$\tau$的概率就很小；如果有一个回合一$\theta$直没死，因为这种情况很可能发生，所以该回合对应的轨迹$\tau$的概率就很大。我们可以根据$\theta$算出某一个轨迹$\tau$出现的概率，接下来计算$\tau$的总奖励。总奖励使用$\tau$出现的概率进行加权，对所有的$\tau$进行求和，就是期望值。给定一个参数，我们可以计算期望值为

$$ \bar{R}_\theta = \mathbb{E}_{\tau \sim p_\theta(\tau)}\big[ R(\tau) \big] $$

这就引入正文主题了，想让奖励越大越好，就需要梯度，而且是上升来最大化期望奖励，即

$$ \nabla \bar{R}_\theta = \sum_{\tau}R(\tau)\nabla p_\theta(\tau) $$

不过，由于期望无法直接求导，会用一大堆公式进行推导，得到可以通过采样计算的梯度。数学技巧使用的是$\nabla f(x)=f(x)\nabla logf(x)$.推导公式不放了，感兴趣自己去搜，网上都有，最终公式是这样的，这是梯度的近似计算方法

$$ \frac{1}{N} \sum_{n-1}^N \sum_{t=1}^{T_n}R(\tau^n) \nabla logp_\theta(a_t^n \mid s_t^n) $$

也很复杂，不看，给出最简单的形式，用于更新$\theta$

$$ \theta \leftarrow \theta + \eta \nabla \bar{R}_\theta $$

其中，$\eta$是学习率，可用Adam等深度学习里的方法来进行调整

注意，一般**策略梯度（policy gradient，PG）**采样的数据只会用一次。我们采样这些数据，然后用这些数据更新参数，再丢掉这些数据。接着重新采样数据，才能去更新参数。

2. 策略梯度实现技巧

2.1 添加基线（baseline）

在很多环境中，奖励$R(\tau)$永远是正数（例如迷宫中只要活着就给分）。根据基础公式，只要我们采样到了某个动作，它的概率就会增加。如果某些好的动作没被采样到，它们的相对概率反而会下降，这显然不合理。

解决方法：给奖励减去一个基线 b（通常是所有奖励的平均值）

只有比“平均水平”更好的动作，奖励才会是正的（增加概率）；比平均水平差的动作，奖励会变成负的（降低概率）。

2.2 指派合适的分数 (Assign Suitable Credit)

在基础算法中，每一局游戏（轨迹$\tau$）得到的总奖励$R(\tau)$会被乘到该局的每一个动作上。但这不公平——也许你开局走得非常好，但最后一步失误导致输了。在基础公式里，开局的那个“好动作”也会被惩罚。

解决方法：不再使用整场游戏的总分，而是使用该动作之后产生的累积奖励,即用$G_t$代替$R(\tau)$

目的是一个动作的评价，只取决于它做完之后发生的奖励。这大大减少了评价中的“噪音”，让梯度更新更准确。

2.3 总结

看一下了解一下就行，2.2是一个经典的评论员（critic）。后续会专门再写一个评价员算法

3. REINFORCE：蒙特卡洛策略梯度（Monte Carlo Policy Gradient）

REINFORCE 用的是回合更新的方式，它在代码上的处理上是先获取每个步骤的奖励，然后计算每个步骤的未来总奖励$G_t$，将每个$G_t$代入

$$ \nabla \bar{R}_\theta \approx \frac{1}{N} \sum_{n=1}^{N} \sum_{t=1}^{T_n} G_t^{\,n}\, \nabla \log \pi_\theta \big( a_t^{\,n} \mid s_t^{\,n} \big) $$

$G_t$需要从后往前算，逐步推导到$G_1$，具体表现为

$$ \begin{aligned} G_t &= \sum_{k=t+1}^{T} \gamma^{\,k-t-1} r_k \\ &= r_{t+1} + \gamma G_{t+1} \end{aligned} $$

即上一个步骤和下一个步骤的未来总奖励的关系，其实就是原本是(s,a)现在变成了(s,a,G),即

$$ (s_1,a_1,G_1)(s_2,a_2,G_2),...,(s_T,a_T,G_T) $$

强化学习4 策略梯度（Policy Gradient, PG）