深度确定性策略梯度（DDPG）算法 总结

深度确定性策略梯度（DDPG）

确定性策略梯度算法：用于强化学习的算法，它旨在🌟通过梯度下降优化一个 确定性的策略，而非随机策略。即给定一个状态，策略网络（Actor）会输出一个确定的动作，而不是一个概率分布。

• 随机策略：策略给出每个动作的概率分布。例如，策略可能会在某个状态下以一定的概率选择不同的动作。
• 确定性策略：策略直接给出每个状态下要采取的具体动作，而不是动作的概率分布。

确定性策略梯度算法 的目标：优化一个函数，该函数直接给出每个状态下的动作，而不是对动作进行采样。

💡：DDPG中演员网络（策略网络）就是通过评论家网络所输出的奖励Q值梯度来进行更新的。

基本架构：演员-评论家（Actor-Critic）

• 核心思想：将策略优化和价值估计分开，以便更有效地训练代理。
• 演员-评论家作为一种强化学习算法的框架，广泛用于处理连续动作空间问题。
• 演员（Actor）：
  • 任务：学习一个策略。决定在每个状态下应该采取什么动作。（对于DDPG，通常是一个连续的动作）。
  • 更新方式：通过 策略梯度（Policy Gradient）更新自己的策略，目的是使得所选动作最大化累积奖励。
• 评论家（Critic）：
  • 任务：评估演员做出的动作好不好，给演员提供反馈来帮助改进策略。评论家网络计算价值函数，通常是动作值函数Q(s, a)，即给定一个状态和动作的情况下，未来的奖励的期望值。
  • 更新方式：TD（Temporal Difference）误差 来更新其估计的值函数，以帮助 Actor 评估选择的动作是否有效。

双重神经网络架构：策略函数（Actor）和价值函数（Critic）均使用双重神经网络模型架构（类似于Double DQN）

• 优势：学习过程更加稳定，收敛的速度加快，解决“高估”传播问题。

经验回放机制：Actor 与环境交互生产生的经验数据样本存储到经验池中，抽取批量数据样本进行训练，即类似于 DQN 的经验回放机制。

• 优势：去除样本的相关性和依赖性，使得算法更加容易收敛。

算法流程：

• 初始化：初始化演员网络（Actor Network）、评论家网络（Critic Network）以及它们对应的目标网络和经验回收池。

• 智能体与环境交互：

  • 选择动作：根据当前状态 st，演员网络输出一个连续的动作 at。为了提高探索性，DDPG通常在选择动作时加入噪声，从而避免过早收敛到局部最优解，平衡探索与利用。
  • 环境反馈：智能体执行动作 at 后，环境返回新的状态st+1 和相应的奖励rt。
  • 存储经验：存储当前的经历(st,at,rt,st+1) 到经验回放缓冲区中。

• 经验回放：DDPG会从缓冲区中随机抽取一个小批次的经历{(st,at,rt,st+1)}，用来更新网络。

• 🌟更新评论家网络：

  • （🤔评论家网络和DQN网络相似，都用于评估当前状态-动作对的价值）

  • 目标Q值：

    

  • 损失函数：（均方误差MSE）（E 等同于 1/n∑）

    

• 🌟更新演员网络：

  • 目标是通过最大化Q值来优化策略，使得智能体选择的动作能够带来尽可能高的回报。

  • 通过策略梯度的思想，演员网络的更新梯度为：

    
    

    期望奖励 J(θ) 策略参数 θ

    （对J(θ)求 θ 的导，遵循求导链式法则）

    

• 目标网络更新：目标网络是演员和评论家网络的副本，并且更新速度较慢。

  

• 重复训练

DDPG算法为代码：

如果您觉得对您有帮助，请留下宝贵的赞赞吧🥺，我真的很需要。