PPO

https://arxiv.org/abs/1707.06347

PPO与TRPO旨在解决相同的问题：在策略梯度定理的步长$\alpha$的选取中，如何选取合适的步长，使得更新的参数尽可能对应最好的策略，但也不至于走得太远，以至于导致性能崩溃。

PPO也继承了TRPO的核心思想：引入重要性采样，提高样本效率；同时，通过某种方式来约束新旧策略间的差异不要太大。

不同的是，TRPO 试图用复杂的二阶方法解决这个问题（对目标函数采取一阶近似，约束条件采取二阶近似），然而PPO采用了一系列的一阶方法（Clip），它们使用一些其他技巧来使新策略接近旧策略。PPO在算法上更加简单，且效果不输于TRPO算法的效果。

回顾一下，TRPO算法对以下目标函数进行优化问题的求解：

这里，$\theta_{old}$是更新之前的策略参数向量，$A_t$是在时刻$t$的优势函数估计，期望$\hat {\mathbb E}_t$是在采样和优化之间交替的算法中，有限批次样本的经验平均值。求解的过程采用到了共轭梯度和线性搜索的方式。

TRPO在目标函数中，另外增加了一个约束条件。在推导该式的过程中， 涉及到了一个将KL散度****作为惩罚项的极值问题，转化为KL散度作为约束条件的优化问题的过程。将KL散度作为惩罚项的问题，公式如下：

然而，因为权重难以选择和调整的问题，因此TRPO并没有采取这样的方式进行目标函数的设定。

01PPO-惩罚（PPO1）

PPO-惩罚（PPO1）用拉格朗日乘数法直接将KL散度的限制放入了目标函数，因此变成了一个无约束的优化问题，在迭代的过程中不断更新KL散度前的系数。这里，使用几个阶段的小批量SGD，优化KL惩罚目标，其更新方式即为公式（2）

为了对$\beta$进行动态调整，作者提出了自适应KL散度（adaptive KL divergence）的思想。具体做法是，在每个epoch对KL惩罚目标进行优化后，计算$d=\hat{\mathbb{E}}_t\left[\mathrm{KL}\left[\pi_{\theta_{\text {old }}}\left(\cdot \mid s_t\right), \pi_\theta\left(\cdot \mid s_t\right)\right]\right]$：

• 如果$d<\frac{\delta}{1.5}$，则$\beta \leftarrow \frac{\beta}{2}$。
• 如果$d>1.5 \delta$，则$\beta \leftarrow 2{\beta}$
• 否则，$\beta$保持不变。 在这里，更新的$\beta$用于下一次迭代时的参数更新。

PPO这里使用了GAE进行计算

02PPO-截断（PPO2）

PPO2在限制新的策略参数与旧的策略参数的距离上，相比于PPO1更加直接。区别于PPO1使用KL散度的方式进行限制，PPO2直接在目标函数上进行限制：

其中，

• $r_t(\theta)=\frac{\pi_\theta\left(a_t \mid s_t\right)}{\pi_{\theta_{\text {old }}}\left(a_t \mid s_t\right)}$ 称为概率比，易得$r_t(\theta_{old})=1$
• $\operatorname{clip}\left(r_t(\theta), 1-\epsilon, 1+\epsilon\right)$指的是将$r_t(\theta)$限制在$[1-\epsilon,1+\epsilon]$的范围内。
  • $clip(x,l,r):=max(min(x,r),l)$即把$x$限制在$[l,r]$内
• $\epsilon$为超参数，表示进行截断操作的范围，一般取$\epsilon=0.2$。

这样，就始终保证了新旧策略的比值在$[1-\epsilon,1+\epsilon]$的范围内，保证了两个策略的差距不会太大。

PPO2中，较为精妙的一点是在$\text{clip}$操作后乘了$\hat A_i$（以下用$A$表示），而优势函数$A$是有正负的。

如下面两张图所示

• $\frac{\pi_\theta\left(a_t \mid s_t\right)}{\pi_{\theta_{old}}\left(a_t \mid s_t\right)}$ 是绿色的线；
• $\operatorname{clip}\left(\frac{\pi_\theta\left(a_t \mid s_t\right)}{\pi_{\theta_{old}}\left(a_t \mid s_t\right)}, 1-\varepsilon, 1+\varepsilon\right)=max[min(r_t(\theta),1+\epsilon),1-\epsilon]]$ 是红色的线；

在绿色的线与红色的线中间，我们要取一个最小的结果。

如图所示，假设前面乘上的项 $A>0$ ，取最小的结果，就是黑色色的这条线。如右图所示，如果 $A<0$ 0，取最小结果的以后，就得到红色的这条线。

下面来做一个详细的讨论。

• 如果 $A>0$，也就是某一个状态-动作二元组相比于状态价值函数$V$更好，我们就希望增大这个状态-动作二元组的概率。也就是，我们想让 $\pi_\theta\left(a_t \mid s_t\right)$ 越大越好，但它与 $\pi_{\theta_{\text {old }}}\left(a_t \mid s_t\right)$ 的比值不可以超过 $1+\epsilon$ 。如果超过 $1+\epsilon$，新策略与旧策略之间的差距就会过大而产生问题。所以在训练的时候，当 $\pi_\theta\left(a_t \mid s_t\right)$ 被训练到$\frac{\pi_\theta\left(a_t \mid s_t\right)}{\pi_{\theta_{old}}\left(a_t \mid s_t\right)}>1+\epsilon$时，训练就会停止。
• 如果 $A<0$，也就是某一个状态-动作二元组相比于状态价值函数$V$更差，那么我们希望把 $\pi_\theta\left(a_t \mid s_t\right)$ 减小。如果 $\pi_\theta\left(a_t \mid s_t\right)$ 比 $\pi_{\theta_{old}}\left(a_t \mid s_t\right)$ 还大，那我们就尽量把它减小，减到 $\frac{\pi_\theta\left(a_t \mid s_t\right)}{\pi_{\theta_{old}}\left(a_t \mid s_t\right)}$ 是 $1-\epsilon$ 的时候停止, 此时不用再减得更小，即新旧策略之间的差距不会过大。

原文 · 原始标签：RL、AI、Paper-Reading