强化学习中的方法通常以学习处于特定状态或在状态中采取特定行动的价值为中心。Q学习和SARSA等算法首先估计价值函数(如Q(s,a)),然后根据这些估计值来确定最佳行动,通常是通过选择估计值最高的行动。这种方法虽然效果好,但面临一些问题,尤其是在处理连续动作空间或当最优行为本身固有的随机性(随机策略)时。
策略梯度方法提供另一种视角。我们不学习价值函数,而是直接学习策略本身。我们将策略定义为一个参数化的函数,我们将其记作πθ(a∣s),它输出在状态s中采取行动a的概率。此函数的参数由θ表示。例如,θ可以是神经网络的权重和偏置。
主要思想是直接调整参数θ,以提升策略的质量。但“提升”意味着什么?在强化学习中,我们的目标通常是最大化期望的总折现回报。我们可以定义一个性能指标,通常表示为J(θ),它代表通过遵循策略πθ所获得的期望回报。对于幕式任务,这通常是起始状态的价值:
J(θ)=Vπθ(s0)=Eπθ[t=0∑TγtRt+1∣S0=s0]
我们的目标是找到使这个性能指标J(θ)最大化的参数θ。
为何直接学习策略?
直接对策略进行参数化带来几个好处:
- 连续动作空间: 像Q学习这样的基于价值的方法难以处理连续动作。如果动作空间是连续的,则在每一步都需要一个优化过程来找到使Q(s,a)最大化的动作a。策略梯度方法可以更自然地处理这个问题。参数化的策略πθ(a∣s)可以设计为直接输出动作的概率分布的参数(例如,针对连续动作的高斯分布的均值和标准差)或连续动作本身。
- 随机策略: 在某些情况下,最优策略是随机的。考虑一个像剪刀石头布这样的游戏,对手可以利用确定性策略。随机(随机)策略是最佳的。基于价值的方法通常隐含地学习确定性策略(例如,通过总是选择具有最大Q值的动作)。策略梯度方法可以通过输出概率πθ(a∣s)来明确地学习随机策略。
- 更简单的表示: 有时,策略函数比价值函数更容易近似。直接参数化可能需要更少的参数或更简单的函数近似器,与表示价值函数可能复杂的形状相比。
通过梯度上升进行优化
既然我们有一个参数化函数πθ和一个我们想要最大化的目标函数J(θ),这看起来像一个优化问题。我们可以使用与监督学习中相似的技术,但不是梯度下降(为了最小化损失),我们使用梯度上升(为了最大化性能)。
策略参数θ的基本更新规则是:
θk+1=θk+α∇θJ(θk)
这里:
- θk表示在第k次迭代时的策略参数。
- α是一个正的步长参数,通常称为学习率。
- ∇θJ(θk)是性能指标关于策略参数θ的梯度。这个梯度向量指向J(θ)最大增长的方向。
通过反复计算梯度并沿着该方向迈步,我们迭代地优化策略参数θ,以获得更高的期望回报。
策略的参数化
我们如何具体表示πθ(a∣s)?选择取决于动作空间的性质。
-
离散动作: 一种常见的方法是使用函数近似器(如神经网络),它以状态s作为输入,并为每个可能的动作a输出一个分数或偏好h(s,a,θ)。然后可以使用softmax函数将其转换为概率:
πθ(a∣s)=∑a′eh(s,a′,θ)eh(s,a,θ)
参数θ是函数近似器的参数(例如,网络权重)。
-
连续动作: 一种流行的方法是让函数近似器输出概率分布的参数。例如,对于单个连续动作,网络可能会输出高斯分布的均值μθ(s)和标准差σθ(s)。然后从这个分布中采样动作:
a∼N(μθ(s),σθ(s)2)
策略概率密度然后由高斯概率密度函数(PDF)给出。参数θ再次是决定μ和σ的网络参数。
主要问题以及本章大部分内容的重点在于估计梯度∇θJ(θ)。与我们有明确标签的监督学习不同,在强化学习中,一个动作的“正确性”只通过在可能很长的轨迹中接收到的后续奖励体现出来。策略梯度定理(我们接下来将介绍)提供一个理论依据,用于计算或估计这个重要梯度。