【动手学强化学习】part8-PPO(Proximal Policy Optimization)近端策略优化算法

SI_Gamer

已于 2025-04-24 22:14:50 修改

阅读量917

点赞数 18

CC 4.0 BY-SA版权

分类专栏：强化学习入门文章标签：算法强化学习深度强化学习

于 2025-03-15 18:59:31 首次发布

本文链接：https://blog.youkuaiyun.com/lxlyhwl/article/details/146275916

强化学习入门专栏收录该内容

16 篇文章

订阅专栏

阐述、总结【动手学强化学习】章节内容的学习情况，复现并理解代码。

文章目录

一、算法背景
二、PPO-截断算法
三、疑问
四、总结

一、算法背景

1.1 算法目标

给定“黑盒”环境，求解最优policy。

1.2 存在问题

之前介绍的基于策略的方法包括策略梯度算法和 Actor-Critic 算法。回顾一下基于策略的方法：参数化智能体的策略，并设计衡量策略好坏的目标函数，通过梯度上升的方法来最大化这个目标函数，使得策略最优。
这些方法虽然简单、直观，但在实际应用过程中会遇到训练不稳定的情况。这种算法有一个明显的缺点：当策略网络是深度模型时，沿着策略梯度更新参数，很有可能由于步长太长，策略突然显著变差，进而影响训练效果。

1.3 解决方法

在更新时找到一块信任区域（trust region），在这个区域上更新策略时能够得到某种策略性能的安全性保证，这就是信任区域策略优化（trust region policy optimization，TRPO）算法的主要思想。（2015年提出）
TRPO 算法在很多场景上的应用都很成功，但是我们也发现它的计算过程非常复杂，每一步更新的运算量非常大。因此，在目标函数中进行限制（引入一种更简单的剪切clip），以保证新的参数和旧的参数的差距不会太大，称之为PPO-截断。（2017年提出）

PPO算法的核心思想：通过限制新旧策略之间的差异来稳定训练过程，使用裁剪的目标函数来替代传统的策略梯度目标，确保策略更新不会过大，从而提升训练的稳定性和效率

二、PPO-截断算法

🌟算法类型
环境依赖：❌model-based ✅model-free
价值估计：✅non-incremental ❌incremental
价值表征：❌tabular representation ✅function representation
学习方式：✅on-policy ❌off-policy
策略表征：❌value-based ✅policy-based

· non-incremental：（采用了repaly_buffer，采样一定数量的episodes才开始训练）
· function representation：（value_net（critic）网络用于学习价值函数）
· on-policy：（采样episode和优化的policy都是policy_net(actor)）
· policy-based：（PPO算法是基于Actor-Critic 算法，本质上是基于策略的算法，因为这一系列算法的目标都是优化一个带参数的策略，只是会额外学习价值函数，从而帮助策略函数更好地学习）

2.1 必要说明

PPO算法的优化目标是什么？

PPO算法是在TRPO算法基础上去优化的，因此二者算法优化目标一致：
$\max_\theta\quad\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}\mathbb{E}_{a\sim\pi_{\theta_k}(\cdot|s)}\left[\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}A^{\pi_{\theta_k}}(s,a)\right]$
$\mathrm{s.t.}\quad\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}[D_{KL}(\pi_{\theta_k}(\cdot|s),\pi_\theta(\cdot|s))]\leq\delta$

将优化目标拆解理解一下

① $max_\theta$ ：最大化关于策略参数 θ 的目标函数。

② $\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}$ ：对状态 s 的期望，状态 s 从旧策略 $\pi_{\theta_{k}}$ 生成的状态分布 $\nu^{\pi\theta_{k}}$ 中采样。

③ $\mathbb{E}_{a\sim\pi_{\theta_{k}}(\cdot|s)}$ ：对动作 a 的期望，动作 a 从旧策略 $\pi_{\theta_{k}}$ 在状态 s 下的动作分布中采样。

④ $\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}$ ：新策略 $\pi_{\theta}$ 和旧策略 $\pi_{\theta_{k}}$ 在状态 s 下选择动作 a 的概率比值。

⑤ $A^{\pi_{\theta_k}}(s,a)$ ：在旧策略 $\pi_{\theta_{k}}$ 下，状态 s 和动作 a 的优势函数。

将约束拆解理解一下

① $\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}$ ：对状态 s 的期望，状态 s 从旧策略 $\pi_{\theta_{k}}$ 生成的状态分布 $\nu^{\pi\theta_{k}}$ 中采样。

② $D_{KL}(\pi_{\theta_k}(\cdot|s),\pi_\theta(\cdot|s))$ ：Kullback-Leibler（KL）散度，衡量旧策略 $\pi_{\theta_{k}}$ 和新策略 $\pi_{\theta}$ 在状态 s 下的动作分布之间的差异。

③ $\leq\delta$ ：KL散度的期望值不超过一个预设的阈值 δ。通过限制策略更新的幅度，避免策略变化过大导致训练不稳定。

PPO-Clip算法做了什么改进？

PPO 的另一种形式 PPO-截断（PPO-Clip）更加直接，它在目标函数中进行限制，以保证新的参数和旧的参数的差距不会太大，即：

$\arg\max_{\theta}\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}\mathbb{E}_{a\sim\pi_{\theta_k}(\cdot|s)}\left[\min\left(\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}A^{\pi_{\theta_k}}(s,a),\mathrm{clip}\left(\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)},1-\epsilon,1+\epsilon\right)A^{\pi_{\theta_k}}(s,a)\right)\right]$

逐个部分拆解理解一下

① $\mathbb{E}_{s\sim\nu^{\pi_{\theta_k}}}$ ：对状态 s 的期望，状态 s 从旧策略 $\pi_{\theta_{k}}$ 生成的状态分布 $\nu^{\pi\theta_{k}}$ 中采样。

② $\mathbb{E}_{a\sim\pi_{\theta_{k}}(\cdot|s)}$ ：对动作 a 的期望，动作 a 从旧策略 $\pi_{\theta_{k}}$ 在状态 s 下的动作分布中采样。

③ $\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}$ ：新策略 $\pi_{\theta}$ 和旧策略 $\pi_{\theta_{k}}$ 在状态 s 下选择动作 a 的概率比值。

④ $A^{\pi_{\theta_k}}(s,a)$ ：在旧策略 $\pi_{\theta_{k}}$ 下，状态 s 和动作 a 的优势函数。

⑤ ${clip}\left(\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)},1-\epsilon,1+\epsilon\right)$ :将概率比值 $\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}$ 限制在区间 [1−ϵ,1+ϵ] 内，其中 ϵ 是一个超参数，表示截断的范围。

⑥ min(⋅,⋅) : 取两个值中的较小值，确保策略更新不会过大。

2.2 伪代码

初始化:
创建环境 env
初始化策略网络 π_θ (PolicyNet)
初始化价值网络 V_φ (ValueNet)
设置超参数: 策略学习率 α, 价值学习率 β, 折扣因子 γ, PPO截断范围 ε, 训练轮数 K 等
初始化策略优化器和价值优化器
采集轨迹:
对于每个回合:
初始化状态 s
当回合未结束时:
根据策略 π_θ 选择动作 a
在环境中执行动作 a, 获取下一个状态 s’, 奖励 r 和是否结束 done
将转移 (s, a, r, s’, done) 存入缓冲区
更新当前状态 s 为 s’
结束循环
结束循环
计算优势和目标:
对于缓冲区中的每个转移:
计算TD目标: TD_target = r + γ * V_φ(s’) * (1 - done)
计算TD误差: δ = TD_target - V_φ(s)
使用广义优势估计 (GAE) 计算优势函数 A(s, a)
结束循环
PPO更新:
对于 k in 1 到 K:
对于缓冲区中的每个批次:
计算概率比值: r = π_θ_new(a|s) / π_θ_old(a|s)
计算代理目标1: L^CLIP = min(r * A, clip(r, 1-ε, 1+ε) * A)
策略损失: L^actor = -mean(L^CLIP)
价值损失: L^critic = mean((V_φ(s) - TD_target)^2)
使用Adam优化器更新策略网络以最大化 L^CLIP
使用Adam优化器更新价值网络以最小化 L^critic
结束循环
结束循环
重复:
重复上述过程，直到收敛

算法流程简述

2.3 算法代码

import gym
import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
import rl_utils


class PolicyNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim, action_dim):
        super(PolicyNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, action_dim)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return F.softmax(self.fc2(x), dim=1)


class ValueNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim):
        super(ValueNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, 1)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return self.fc2(x)


class PPO:
    ''' PPO算法,采用截断方式 '''
    def __init__(self, state_dim, hidden_dim, action_dim, actor_lr, critic_lr,
                 lmbda, epochs, eps, gamma, device):
        self.actor = PolicyNet(state_dim, hidden_dim, action_dim).to(device)
        self.critic = ValueNet(state_dim, hidden_dim).to(device)
        self.actor_optimizer = torch.optim.Adam(self.actor.parameters(),
                                                lr=actor_lr)
        self.critic_optimizer = torch.optim.Adam(self.critic.parameters(),
                                                 lr=critic_lr)
        self.gamma = gamma
        self.lmbda = lmbda
        self.epochs = epochs  # 一条序列的数据用来训练轮数
        self.eps = eps  # PPO中截断范围的参数
        self.device = device

    def take_action(self, state):
        state = torch.tensor([state], dtype=torch.float).to(self.device)
        probs = self.actor(state)
        action_dist = torch.distributions.Categorical(probs)
        action = action_dist.sample()
        return action.item()

    def update(self, transition_dict):
        states = torch.tensor(transition_dict['states'],
                              dtype=torch.float).to(self.device)
        actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(
            self.device)
        rewards = torch.tensor(transition_dict['rewards'],
                               dtype=torch.float).view(-1, 1).to(self.device)
        next_states = torch.tensor(transition_dict['next_states'],
                                   dtype=torch.float).to(self.device)
        dones = torch.tensor(transition_dict['dones'],
                             dtype=torch.float).view(-1, 1).to(self.device)
        td_target = rewards + self.gamma * self.critic(next_states) * (1 -
                                                                       dones)
        td_delta = td_target - self.critic(states)
        advantage = rl_utils.compute_advantage(self.gamma, self.lmbda,
                                               td_delta.cpu()).to(self.device)
        old_log_probs = torch.log(self.actor(states).gather(1,
                                                            actions)).detach()

        for _ in range(self.epochs):
            log_probs = torch.log(self.actor(states).gather(1, actions))
            ratio = torch.exp(log_probs - old_log_probs)
            surr1 = ratio * advantage
            surr2 = torch.clamp(ratio, 1 - self.eps,
                                1 + self.eps) * advantage  # 截断
            actor_loss = torch.mean(-torch.min(surr1, surr2))  # PPO损失函数
            critic_loss = torch.mean(
                F.mse_loss(self.critic(states), td_target.detach()))
            self.actor_optimizer.zero_grad()
            self.critic_optimizer.zero_grad()
            actor_loss.backward()
            critic_loss.backward()
            self.actor_optimizer.step()
            self.critic_optimizer.step()

actor_lr = 1e-3
critic_lr = 1e-2
num_episodes = 500
hidden_dim = 128
gamma = 0.98
lmbda = 0.95
epochs = 10
eps = 0.2
device = torch.device("cuda") if torch.cuda.is_available() else torch.device(
    "cpu")

env_name = 'CartPole-v0'
env = gym.make(env_name)
env.seed(0)
torch.manual_seed(0)
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.n
agent = PPO(state_dim, hidden_dim, action_dim, actor_lr, critic_lr, lmbda,
            epochs, eps, gamma, device)

return_list = rl_utils.train_on_policy_agent(env, agent, num_episodes)

episodes_list = list(range(len(return_list)))
plt.plot(episodes_list, return_list)
plt.xlabel('Episodes')
plt.ylabel('Returns')
plt.title('PPO on {}'.format(env_name))
plt.show()

mv_return = rl_utils.moving_average(return_list, 9)
plt.plot(episodes_list, mv_return)
plt.xlabel('Episodes')
plt.ylabel('Returns')
plt.title('PPO on {}'.format(env_name))
plt.show()

2.4 运行结果

Iteration 0: 100%|██████████| 50/50 [00:05<00:00, 9.51it/s, episode=50, return=182.300]
Iteration 1: 100%|██████████| 50/50 [00:06<00:00, 8.10it/s, episode=100, return=173.100]
Iteration 2: 100%|██████████| 50/50 [00:09<00:00, 5.30it/s, episode=150, return=200.000]
Iteration 3: 100%|██████████| 50/50 [00:07<00:00, 6.28it/s, episode=200, return=200.000]
Iteration 4: 100%|██████████| 50/50 [00:11<00:00, 4.36it/s, episode=250, return=200.000]
Iteration 5: 100%|██████████| 50/50 [00:09<00:00, 5.02it/s, episode=300, return=200.000]
Iteration 6: 100%|██████████| 50/50 [00:08<00:00, 6.23it/s, episode=350, return=200.000]
Iteration 7: 100%|██████████| 50/50 [00:07<00:00, 6.76it/s, episode=400, return=200.000]
Iteration 8: 100%|██████████| 50/50 [00:07<00:00, 6.70it/s, episode=450, return=200.000]
Iteration 9: 100%|██████████| 50/50 [00:07<00:00, 6.28it/s, episode=500, return=200.000]

在这里插入图片描述

2.5 算法流程说明

初始化参数

actor_lr = 1e-3
critic_lr = 1e-2
num_episodes = 500
hidden_dim = 128
gamma = 0.98
lmbda = 0.95
epochs = 10
eps = 0.2
device = torch.device("cuda") if torch.cuda.is_available() else torch.device(
    "cpu")

环境设置

env_name = 'CartPole-v0'
env = gym.make(env_name)
env.seed(0)
torch.manual_seed(0)
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.n
agent = PPO(state_dim, hidden_dim, action_dim, actor_lr, critic_lr, lmbda,
            epochs, eps, gamma, device)

网络定义

class PolicyNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim, action_dim):
        super(PolicyNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, action_dim)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return F.softmax(self.fc2(x), dim=1)

class ValueNet(torch.nn.Module):
    def __init__(self, state_dim, hidden_dim):
        super(ValueNet, self).__init__()
        self.fc1 = torch.nn.Linear(state_dim, hidden_dim)
        self.fc2 = torch.nn.Linear(hidden_dim, 1)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        return self.fc2(x)

策略网络：policy_net（actor）设定为4-128-2的全连接层网络，输入为state=4维，输出为action概率=2维
$y=softmax\left(fc_2\left(relu\left(fc_1\left(x\right)\right)\right)\right),x=states$ 价值网络：value_net（critic）设定为4-128-1的全连接层网络，输入维state=4维，输出为state value=1维
$y=fc_2(relu(fc_1(x))),x=states$

采样episode

return_list = rl_utils.train_on_policy_agent(env, agent, num_episodes)
...
def train_on_policy_agent(env, agent, num_episodes):
    return_list = []
    for i in range(10):
        with tqdm(total=int(num_episodes/10), desc='Iteration %d' % i) as pbar:
            for i_episode in range(int(num_episodes/10)):
                episode_return = 0
                transition_dict = {'states': [], 'actions': [], 'next_states': [], 'rewards': [], 'dones': []}
                state = env.reset()
                done = False
                while not done:
                    action = agent.take_action(state)
                    next_state, reward, done, _ = env.step(action)
                    transition_dict['states'].append(state)
                    transition_dict['actions'].append(action)
                    transition_dict['next_states'].append(next_state)
                    transition_dict['rewards'].append(reward)
                    transition_dict['dones'].append(done)
                    state = next_state
                    episode_return += reward
                return_list.append(episode_return)
                agent.update(transition_dict)
                if (i_episode+1) % 10 == 0:
                    pbar.set_postfix({'episode': '%d' % (num_episodes/10 * i + i_episode+1), 'return': '%.3f' % np.mean(return_list[-10:])})
                pbar.update(1)
    return return_list
...
    def take_action(self, state):
        state = torch.tensor([state], dtype=torch.float).to(self.device)
        probs = self.actor(state)
        action_dist = torch.distributions.Categorical(probs)
        action = action_dist.sample()
        return action.item()

①获取初始state：state = env.reset()
②根据policy_net的输出采取action：agent.take_action(state)
③与环境交互，得到(s,a,r,s’,done)：env.step(action)
④将样本添加至episode：transition_dict
⑤统计episode即时奖励累加值：episode_return += reward

网络更新

	agent.update(transition_dict)
	...
    def update(self, transition_dict):
        states = torch.tensor(transition_dict['states'],
                              dtype=torch.float).to(self.device)
        actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(
            self.device)
        rewards = torch.tensor(transition_dict['rewards'],
                               dtype=torch.float).view(-1, 1).to(self.device)
        next_states = torch.tensor(transition_dict['next_states'],
                                   dtype=torch.float).to(self.device)
        dones = torch.tensor(transition_dict['dones'],
                             dtype=torch.float).view(-1, 1).to(self.device)
        td_target = rewards + self.gamma * self.critic(next_states) * (1 -
                                                                       dones)
        td_delta = td_target - self.critic(states)
        advantage = rl_utils.compute_advantage(self.gamma, self.lmbda,
                                               td_delta.cpu()).to(self.device)
        old_log_probs = torch.log(self.actor(states).gather(1,
                                                            actions)).detach()

        for _ in range(self.epochs):
            log_probs = torch.log(self.actor(states).gather(1, actions))
            ratio = torch.exp(log_probs - old_log_probs)
            surr1 = ratio * advantage
            surr2 = torch.clamp(ratio, 1 - self.eps,
                                1 + self.eps) * advantage  # 截断
            actor_loss = torch.mean(-torch.min(surr1, surr2))  # PPO损失函数
            critic_loss = torch.mean(
                F.mse_loss(self.critic(states), td_target.detach()))
            self.actor_optimizer.zero_grad()
            self.critic_optimizer.zero_grad()
            actor_loss.backward()
            critic_loss.backward()
            self.actor_optimizer.step()
            self.critic_optimizer.step()

这一段是算法的核心部分，逐行进行解释

① 数据转换

        states = torch.tensor(transition_dict['states'],
                              dtype=torch.float).to(self.device)
        actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(
            self.device)
        rewards = torch.tensor(transition_dict['rewards'],
                               dtype=torch.float).view(-1, 1).to(self.device)
        next_states = torch.tensor(transition_dict['next_states'],
                                   dtype=torch.float).to(self.device)
        dones = torch.tensor(transition_dict['dones'],
                             dtype=torch.float).view(-1, 1).to(self.device)

功能：将经验数据（状态、动作、奖励、下一状态、是否结束）转换为PyTorch张量，并移动到指定设备（CPU或GPU）。
数学背景：这些数据用于计算TD目标、TD误差和优势函数。

② 计算优势函数 $A^{\pi_{\theta_k}}(s,a)$ ：

计算td_target：

td_target = rewards + self.gamma * self.critic(next_states) * (1 - dones)

$\beta_t=r_{t+1}+\gamma\cdot v(s_{t+1})\cdot(1-done)$

计算td_error：

  td_delta = td_target - self.critic(states)

$\delta_t=\beta_t-v(s_t)$

计算优势函数：

advantage = rl_utils.compute_advantage(self.gamma, self.lmbda, td_delta.cpu()).to(self.device)
...
def compute_advantage(gamma, lmbda, td_delta):
    td_delta = td_delta.detach().numpy()
    advantage_list = []
    advantage = 0.0
    for delta in td_delta[::-1]:
        advantage = gamma * lmbda * advantage + delta
        advantage_list.append(advantage)
    advantage_list.reverse()
    return torch.tensor(advantage_list, dtype=torch.float)

$A_t=\sum_{l=0}^{n-1}(\gamma\lambda)^l\delta_{t+l}$
γ 是折扣因子。
λ 是GAE的缩放因子，控制了优势函数的时间范围。
$\delta_{t+l}$ 是第t+l步的TD误差。
GAE结合了蒙特卡洛方法和TD方法的优点，提供了更稳定的优势估计。

③ 计算截断后的目标函数 ${clip}\left(\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)},1-\epsilon,1+\epsilon\right)$

计算新策略对应旧策略的比值 $\frac{\pi_\theta(a|s)}{\pi_{\theta_k}(a|s)}$

    old_log_probs = torch.log(self.actor(states).gather(1, actions)).detach()
    log_probs = torch.log(self.actor(states).gather(1, actions))
    ratio = torch.exp(log_probs - old_log_probs)

$r_t=\frac{\pi_{new}(a_t|s_t)}{\pi_{old}(a_t|s_t)}=\exp(\log\pi_{new}(a_t|s_t)-\log\pi_{old}(a_t|s_t))$

计算未截断的目标函数

  surr1 = ratio * advantage

$L_1^{Clip}=r_t\cdot A_t=\frac{\pi_{new}(a_t|s_t)}{\pi_{old}(a_t|s_t)}\cdot A_t$

计算截断后的目标函数

  surr2 = torch.clamp(ratio, 1 - self.eps, 1 + self.eps) * advantage

$L_2^{Clip}=clip(r_t,1-\varepsilon,1+\varepsilon)\cdot A_t=clip(\frac{\pi_{new}(a_t|s_t)}{\pi_{old}(a_t|s_t)},1-\varepsilon,1+\varepsilon)\cdot A_t$

④ 更新策略+价值网络

设置策略网络损失函数

 actor_loss = torch.mean(-torch.min(surr1, surr2))  # PPO损失函数

$L^{CLIP}=-\mathbb{E}[min(L_1^{CLIP},L_2^{CLIP})]=-\mathbb{E}\left[min\left(\frac{\pi_{new}(a_t|s_t)}{\pi_{old}(a_t|s_t)}\cdot A_t,clip(\frac{\pi_{new}(a_t|s_t)}{\pi_{old}(a_t|s_t)},1-\varepsilon,1+\varepsilon)\cdot A_t\right)\right]$

负号表示我们要最小化损失，即最大化目标函数。
这里损失函数的设置与PPO-clip的优化目标一致！

设置价值网络损失函数

 critic_loss = torch.mean(F.mse_loss(self.critic(states), td_target.detach()))

$L^{VF}=\mathbb{E}[MSE((V(s_t)-TD_Target)^2)]$

清零梯度

        self.actor_optimizer.zero_grad()
        self.critic_optimizer.zero_grad()

反向传播

        actor_loss.backward()
        critic_loss.backward()

更新网络参数

        self.actor_optimizer.step()
        self.critic_optimizer.step()

三、疑问

暂无

四、总结

PPO算法是基于TRPO算法的改进，TRPO算法的数学原理比较复杂，以后有机会深入学习。