强化学习 之 Actor Critic

本文深入解析了强化学习中的Actor-Critic算法,包括其原理、Actor与Critic网络的构建与学习过程,以及A3C算法的异步执行方式。通过详细公式推导与代码实现,阐述了算法如何通过Actor选择动作并由Critic评估,从而优化策略。

参考

1、【强化学习】Actor-Critic公式推导分析(整体理解,包含AC、A3C))
2、Actor Critic(公式计算变形)
3、【强化学习】Actor-Critic算法详解(Actor-Critic with Eligibility Traces)
3.5、资格痕迹(Eligibility Traces)
4、简单认识Adam优化器
5、一文读懂 深度强化学习算法 A3C(损失函数中3个部分的各自意义)
5.5、交叉熵定义与运用
6、强化学习(十四) Actor-Critic(算法流程)
7、简单介绍AC 、A2C、A3C

简介

Actor Critic是一种结合体算法:
(1)Actor 的前生是 Policy Gradients,这能让它毫不费力地在连续动作中选取合适的动作,而 Q-learning 做这件事会瘫痪;
(2)Critic 的前生是 Q-learning 或者其他的 以值为基础的学习法,能进行单步更新,而传统的 Policy Gradients 则是回合更新,这降低了学习效率。

算法思想

Actor 基于概率选行为,Critic 基于 Actor 的行为 评判行为的得分,Actor 根据 Critic 的评分修改选行为的概率.
在这里插入图片描述

Actor网络

Actor 想要最大化期望的 reward, 在 Actor Critic 算法中, 我们用 “比平时好多少” (TD error) 来当做 reward。
在这里插入图片描述
1. 初始化参数

        self.sess = sess
        self.s = tf.placeholder(tf.float32, [1, n_features], "state")
        self.a = tf.placeholder(tf.int32, None, "act")
        self.td_error = tf.placeholder(tf.float32, None, "td_error")  # TD_error

2. 各层网络

        with tf.variable_scope('Actor'):
            l1 = tf.layers.dense(
                inputs=self.s,
                units=20,    # number of hidden units
                activation=tf.nn.relu,
                kernel_initializer=tf.random_normal_initializer(0., .1),    # weights
                bias_initializer=tf.constant_initializer(0.1),  # biases
                name='l1'
            )
            
            self.acts_prob = tf.layers.dense(		# 输出动作的概率
                inputs=l1,
                units=n_actions,    # output units
                activation=tf.nn.softmax,   # get action probabilities
                kernel_initializer=tf.random_normal_initializer(0., .1),  # weights
                bias_initializer=tf.constant_initializer(0.1),  # biases
                name='acts_prob'
            )

3. 学习更新

        with tf.variable_scope('exp_v'):
            log_prob = tf.log(self.acts_prob[0, self.a])     # log 动作概率
            self.exp_v = tf.reduce_mean(log_prob * self.td_error)   # log 概率 * TD 方向

        with tf.variable_scope('train'):
            self.train_op = tf.train.AdamOptimizer(lr).minimize(-self.exp_v)  # minimize(-exp_v) = maximize(exp_v)

    def learn(self, s, a, td):
        s = s[np.newaxis, :]
        feed_dict = {self.s: s, self.a: a, self.td_error: td}
        _, exp_v = self.sess.run([self.train_op, self.exp_v], feed_dict)
        return exp_v

s, a 用于产生 Gradient ascent 的方向,
td 则来自 Critic,用于告诉 Actor 这方向对不对。

4. 基于分析出的概率来选动作

	# 与Policy Gradient步骤相同
    def choose_action(self, s):
        s = s[np.newaxis, :]
        probs = self.sess.run(self.acts_prob, {self.s: s})   # get probabilities for all actions
        return np.random.choice(np.arange(probs.shape[1]), p=probs.ravel())   # return a int

Critic网络

在这里插入图片描述
1. 初始化参数

        self.sess = sess
        self.s = tf.placeholder(tf.float32, [1, n_features], "state")
        self.v_ = tf.placeholder(tf.float32, [1, 1], "v_next")
        self.r = tf.placeholder(tf.float32, None, 'r')

2. 各层网络

        with tf.variable_scope('Critic'):
            l1 = tf.layers.dense(
                inputs=self.s,
                units=20,  # 隐藏层单元数量
                activation=tf.nn.relu,  
                # have to be linear to make sure the convergence of actor.
                # But linear approximator seems hardly learns the correct Q.
                kernel_initializer=tf.random_normal_initializer(0., .1),  # weights
                bias_initializer=tf.constant_initializer(0.1),  # biases
                name='l1'
            )
            
			# 预测状态state的价值 v
            self.v = tf.layers.dense(
                inputs=l1,
                units=1,  # output units
                activation=None,
                kernel_initializer=tf.random_normal_initializer(0., .1),  # weights
                bias_initializer=tf.constant_initializer(0.1),  # biases
                name='V'
            )

3. 学习更新
Critic 的更新很简单,就是像 Q learning 那样更新现实和估计的误差 (TD error) 就好了。

        with tf.variable_scope('squared_TD_error'):
            self.td_error = self.r + (GAMMA * self.v_) - self.v
            self.loss = tf.square(self.td_error)    # TD_error = (r+gamma*V_next) - V_eval

        with tf.variable_scope('train'):
            self.train_op = tf.train.AdamOptimizer(lr).minimize(self.loss)

    def learn(self, s, r, s_):
        s, s_ = s[np.newaxis, :], s_[np.newaxis, :]
		# 计算下一个状态s_的价值v_
        v_ = self.sess.run(self.v, {self.s: s_})	
        td_error, _ = self.sess.run([self.td_error, self.train_op],
                                      {self.s: s, self.v_: v_, self.r: r})
        return td_error

此处学习的是 状态的价值 (state value),不是行为的价值 (action value)
通过计算 TD_error = (r + v_) - v,用 TD_error 评判这一步的行为有没有带来比平时更好的结果

程序主体部分

参数设置

OUTPUT_GRAPH = False
MAX_EPISODE = 3000
DISPLAY_REWARD_THRESHOLD = 200  # renders environment if total episode reward is greater then this threshold
MAX_EP_STEPS = 1000   # maximum time step in one episode
RENDER = False  # rendering wastes time
GAMMA = 0.9     # reward discount in TD error
LR_A = 0.001    # learning rate for actor
LR_C = 0.01     # learning rate for critic

建立网络

sess = tf.Session()

actor = Actor(sess, n_features=N_F, n_actions=N_A, lr=LR_A)
# critic需要比actor学习的快
critic = Critic(sess, n_features=N_F, lr=LR_C)    

sess.run(tf.global_variables_initializer())

循环训练

for i_episode in range(MAX_EPISODE):
    s = env.reset()
    t = 0
    track_r = []     # 每个episode的所有奖励
    while True:
        if RENDER: 
        	env.render()

        a = actor.choose_action(s)

        s_, r, done, info = env.step(a)

        if done: 
        	r = -20    # 回合结束的惩罚

        track_r.append(r)

        # Critic学习, gradient = grad[r + gamma * V(s_) - V(s)]
        td_error = critic.learn(s, r, s_) 
        # Actor学习,true_gradient = grad[logPi(s,a) * td_error]
        actor.learn(s, a, td_error)     

        s = s_
        t += 1

        if done or t >= MAX_EP_STEPS:
            ep_rs_sum = sum(track_r)

            if 'running_reward' not in globals():
                running_reward = ep_rs_sum
            else:
                running_reward = running_reward * 0.95 + ep_rs_sum * 0.05
            if running_reward > DISPLAY_REWARD_THRESHOLD: 
            	RENDER = True  # rendering
            print("episode:", i_episode, "  reward:", int(running_reward))
            break

A3C

A3C是在AC的基础上,在多个线程异步执行AC算法,得到网络参数的增量后,异步地更新到全局模型中。在下一次迭代时,使用当前模型的最新参数作为新一次训练的基础参数。算法如下:
在这里插入图片描述

<think>好的,我现在要处理用户关于强化学习Actor-Critic方法的原理和实现的查询。首先,我需要回忆Actor-Critic的基本概念。记得它结合了策略梯度(Actor)和价值函数(Critic)的优点,Actor负责选择动作,Critic评估动作的好坏,提供反馈。用户可能需要了解这两部分如何协同工作。 接下来,原理部分需要详细说明。要提到策略梯度方法,比如REINFORCE算法,以及其高方差的问题,这自然引出引入Critic来减少方差的原因。然后,优势函数的概念应该在这里出现,因为它能帮助评估动作的相对好坏。可能需要区分QAC、A2C等变种,引用中提到的资料里有这些内容,应该参考引用[1]和[2]。 在实现部分,用户可能需要一个代码示例。考虑到用户之前提供的示例是Python,所以继续用Python比较合适。代码需要展示ActorCritic网络结构,比如使用PyTorch。要说明参数更新的过程,包括策略梯度计算和Critic的损失函数。这里要确保代码结构清晰,注释到位,比如Actor输出动作的概率分布,Critic评估状态价值。 然后,关于优化方法,用户可能想知道如何进一步改进,比如使用优势函数代替Q值,或者异步框架如A3C。这些内容在引用中有提到,可以引用[1]中的优势函数AC和A2C部分。 用户可能存在的疑问包括:为什么Actor-Critic比单纯的策略梯度好?这时候需要解释方差减少带来的训练稳定性。此外,实现中的具体细节,比如如何选择折扣因子和学习率,也是需要注意的地方。 最后,生成相关问题需要考虑用户可能深入的方向,比如不同变种的区别、实现中的挑战、实际应用案例等。需要确保问题覆盖原理、实现细节、优化方法和应用场景,这样用户可以有进一步探索的方向。 需要检查是否符合用户给的系统级指令:数学公式用$...$,独立公式用$$...$$,正确的中文回答,生成相关问题。同时,引用标记要自然添加,比如在提到优势函数时引用[^1],或者在讨论策略梯度时引用[^2]。 现在组织回答结构,先讲原理,分ActorCritic部分,再讲算法流程,接着实现示例,最后优化方法。确保每个部分都清晰,并自然地融入引用。代码部分要用正确的格式,避免语法错误。最后的问题要围绕用户可能感兴趣的点展开。</think>### 强化学习 Actor-Critic 方法原理与实现 #### 一、核心原理 Actor-Critic 方法结合了**策略梯度(Policy Gradient)**和**价值函数(Value Function)**的优点,通过两个组件协同工作: 1. **Actor(策略网络)** 负责生成动作策略 $\pi_\theta(a|s)$,通过梯度上升优化策略参数 $\theta$,公式为: $$ \nabla_\theta J(\theta) = \mathbb{E}\left[ \nabla_\theta \log \pi_\theta(a|s) \cdot Q_w(s,a) \right] $$ 其中 $Q_w(s,a)$ 是 Critic 提供的动作价值估计[^1]。 2. **Critic(价值网络)** 评估状态或动作的价值,常用时序差分(TD)误差更新参数 $w$,损失函数为: $$ L(w) = \mathbb{E}\left[ \left( r + \gamma V_w(s') - V_w(s) \right)^2 \right] $$ 通过最小化该损失,Critic 提供更准确的反馈信号。 #### 二、算法流程 1. Actor 根据当前策略选择动作 $a$ 2. 环境反馈奖励 $r$ 和转移至新状态 $s'$ 3. Critic 计算 TD 误差 $\delta = r + \gamma V(s') - V(s)$ 4. **同步更新**: - Actor 参数:$\theta \leftarrow \theta + \alpha_\theta \delta \nabla_\theta \log \pi_\theta(a|s)$ - Critic 参数:$w \leftarrow w - \alpha_w \delta \nabla_w V_w(s)$ #### 三、Python 实现示例(PyTorch) ```python import torch import torch.nn as nn import torch.optim as optim class Actor(nn.Module): def __init__(self, state_dim, action_dim): super().__init__() self.net = nn.Sequential( nn.Linear(state_dim, 64), nn.ReLU(), nn.Linear(64, action_dim), nn.Softmax(dim=-1) ) def forward(self, state): return self.net(state) class Critic(nn.Module): def __init__(self, state_dim): super().__init__() self.net = nn.Sequential( nn.Linear(state_dim, 64), nn.ReLU(), nn.Linear(64, 1) ) def forward(self, state): return self.net(state) # 训练参数 actor = Actor(state_dim=4, action_dim=2) critic = Critic(state_dim=4) optimizer_actor = optim.Adam(actor.parameters(), lr=1e-3) optimizer_critic = optim.Adam(critic.parameters(), lr=1e-2) gamma = 0.99 def update(state, action, reward, next_state, done): state = torch.FloatTensor(state) next_state = torch.FloatTensor(next_state) # Critic 更新 value = critic(state) target = reward + (1 - done) * gamma * critic(next_state).detach() loss_critic = nn.MSELoss()(value, target) optimizer_critic.zero_grad() loss_critic.backward() optimizer_critic.step() # Actor 更新 prob = actor(state)[action] advantage = (target - value).detach() # 使用优势函数替代原始Q值[^1] loss_actor = -torch.log(prob) * advantage optimizer_actor.zero_grad() loss_actor.backward() optimizer_actor.step() ``` #### 四、关键优化方向 1. **优势函数(A2C)** 用 $A(s,a) = Q(s,a) - V(s)$ 替代原始 Q 值,降低方差[^1] 2. **异步框架(A3C)** 多个 Actor 并行探索环境提升样本效率 3. **经验回放(Off-Policy AC)** 允许重复利用历史数据,提高稳定性
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值