Rainbow DQN 集成

原始 Deep Q-Network 算法已经获得了几项重要改进，例如 Double DQN、Dueling Networks、Prioritized Experience Replay 和 Distributional RL。一个很自然的问题出现了：我们能否将这些改进结合起来，以获得更出色的表现？Hessel 等人于 2018 年提出的 Rainbow DQN 代理通过将多种互补技术整合到一个架构中，给出了肯定的回答。

Rainbow 的动机源于这样一个观察：这些增强功能通常解决基本 DQN 的不同（有时是正交的）局限性：

• Double DQN (DDQN): 减少 Q 值更新中的高估偏差。
• Prioritized Experience Replay (PER): 通过将学习集中在令人惊讶或信息量大的转换上，提升样本效率。
• Dueling Network Architectures: 在存在许多价值相近的动作时，通过分离状态值和动作优势，带来更好的策略评估。
• Distributional Reinforcement Learning: 对回报分布进行建模，而不仅仅是期望值，提供更丰富的学习信号并缓解与估计方差相关的问题。
• Noisy Nets: 通过在网络参数中注入学到的、依赖于状态的噪声来实现探索，通常替代简单的 epsilon-greedy 策略。
• Multi-step Learning: 使用 $n$ 步回报 ($G_{t:t+n}$) 而非单步 TD 目标 ($G_{t:t+1}$) 来计算 TD 误差，使奖励传播更快。

Rainbow DQN 通常将所有这些组件结合在一起。这种集成并非简单叠加；这些技术能够以有益的方式彼此关联。例如：

• PER 需要 TD 误差来计算优先级。在分布 Rainbow 中，“TD 误差”通常以 Kullback-Leibler (KL) 散度衡量，在当前 Q 分布预测与目标分布之间，有效地优先处理预测回报分布与目标显著不同的转换。
• 对偶网络可以调整以输出参数，用于状态值分布和动作优势分布，然后将它们结合起来形成最终的 Q 值分布。
• DDQN 在目标更新中解耦动作选择和值估计的机制，在处理 Q 值分布时仍然直接适用。
• Noisy Nets 提供独立于回放机制或值估计方法的探索。

原始的 Rainbow 论文表明，这种组合明显优于 Atari 2600 基准测试套件中的任何单个组件和基线 DQN。进行了消融研究，系统地从完整的 Rainbow 代理中移除组件，以评估每种技术在组合架构中的贡献。这些研究表明，尽管所有组件都做出了积极贡献，但分布强化学习和 PER 通常提供了最大的性能提升。

相对性能得分，说明了向 DQN 添加组件所带来的渐进式改进，最终形成了 Rainbow。实际得分在不同环境中差异很大。

图示了 Rainbow DQN 代理在学习过程中不同组件的运作关系。

尽管 Rainbow DQN 代表了基于值的深度强化学习的一大进步，但它也带来了相当大的复杂性。实现和调试这样一个代理需要细致管理多个彼此关联的部分，并且调整与每个组件相关的超参数（例如，PER 的 alpha 和 beta，分布强化学习的原子数量，N 步长度）可能具有挑战性。Nonetheless, Rainbow 仍然是一个有力的例子，说明了如何将不同研究方向的见解结合起来，可以带来显著的性能提升，并为许多强化学习任务提供了坚实的基准。