强化学习PPO：Proximal Policy Optimization Algorithms解读

tostq

于 2023-06-15 12:41:00 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

文章标签：算法 PPO TRPO 强化学习 Policy Gradient

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/tostq/article/details/131216089

PPO算法是一类Policy Gradient强化学习方法，经典的Policy Gradient通过一个参数化决策模型 $\pi(a|s,\theta )$ 来根据状态 $s$ 确定动作，其参数更新是通过下式进行的：

$\theta_{t+1} = \theta_{t} + \alpha \partial_{\theta_{t}} J(\theta_t)$

$J(\theta_t)$ 用于衡量决策模型的优劣目标，决策模型的优化目标为寻找最优决策，使得该决策下整体价值最大。

$\text{max}_{\pi}\ J(\theta) = E_{s,a\sim \pi}[\pi(a|s,\theta)Q_{\pi}(s,a)]$

因为最优决策 $\pi$ 是未知的，一种简单思路是直接当前参数模型 $\pi_\theta$ 进行寻优。称为Vanilla Policy Gradient。

1. Vanilla Policy Gradient

Vanilla Policy Gradient定义优化目标为：

$\text{max}_{\theta }\ J(\theta) \\= E_{s,a\sim {\pi_{\theta }}}[\pi(a|s,\theta)A(s,a)]\\=\sum_\tau \sum_{t=0}^T \sum_a\pi(a|s_t,\theta)A(s_t,a)$

$\tau$ 表示一轮ep

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。