Optimization of DQN

Optimization of DQN

1.Experience Replay

回顾TD算法。

---

1.1普通TD算法的缺点

我们直到每次更新网络参数$w$ 是通过一次transition，再使用后，我们便会丢弃该经验，这是一种浪费。

---

每次更新都是通过相邻两个状态转移，相邻两个状态具有强相关性，对实际动作的策略指导会存在问题。

---

1.2 介绍

Experience Replay 采用一个Replay Buffer 存储$n$个transition。

---

buffer中的transition 保存的是最近的n个，类似LRU(?)

---

再更新参数时，我们每次从buffer中随机抽样一个或多个(对应multi step) transition，然后计算TD error，然后SGD更新$w$

---

1.3 优点

1.减弱强相关性。

2.重复利用experience。

1.4 Prioritized Experience Replay

因为每个transition 重要性是不同的，比如右边的transition 就很难学习到，因此更重要。

---

可以考虑用TD error 近似优先级，因为越重要就越难学习到，因此error会 越大。

---

第一种方法将其抽样概率$p_t$ 正比TD error 加上 超参数$ϵ$ ，该参数是保证概率$>0$

第二种是反比按照TD error 排序后的排名。

---

为保证网络的均匀稳定，当使用优先经验回放时，学习率$\alpha$ 应该调整，因为抽样概率不同。

设置函数$(n{p}_t{)}^{-\beta }$ 这样可以使高重要性的transitions 有低的学习率。

---

如果新收集的transition，设置${\delta }_t$ 为最大，这样优先级最高，先更新其TD errror。每次我们对抽样的transitions的TD errror进行更新，使得误差更小。

---

2.Target Network and Double DQN

使用DQN 中的$Q$函数得到$y_t$ 更新$Q$，会导致自举问题。

---

2.1 高估的原因

DQN高估动作价值的原因有：

1.最大化，在进行TD 算法时计算TD target 会对$Q$所有的$a$取$\max$。

因此导致$y_t$ 大于真实值。

2.自举，用估计值来反向传播。

---

根据数学证明可知，在噪声均值为0的分布下得到的$Q$ 的最大值期望会更大。

因此会导致高估$q$

而高估的$y_t$ 会进一步更新$Q$ 导致高估的影响不断增大。

---

---

两重影响。

---

2.2 高估有危害的原因

如果是均匀的高估，对于动作的选择没有影响，因为动作的选择是根据动作打分的相对大小，选取相对最大的进行执行。

---

但是如果高估不是均匀的，则可能会导致选择错误的动作。

---

因为$(s,a)$ 在replay buffer中出现的频率不是均匀的，出现次数越多，$Q(s,a;w)$的高估就越明显。

---

2.3 Target Network

用一个DQN 控制agent 执行动作和收集experience，再使用一个DQN $Q(s,a;w^{-})$ 计算TD target。

---

更新target network 有两种方法：

1.使用DQN之前的$w$更新。

2.使用两者的加权平均。

---

相比naive update，target network 减缓了自举带来的高估。

---

2.4 Double DQN

这是target network 更新的方法，使用target network选择$a^{\ast }$，用target network更新$y_t$。但是不能完全消除高估。

---

Double DQN类似于naive update 和 target network 的一种优化。

它使用DQN来选择$a^{\ast }$ ，然后用target network 计算$y_t$ ，将selection 与 evaluation 分隔开。

使用Double DQN的$Q(s_{t+1},a^{\ast },;w^{-})\le ma{x}_{a}Q(s_{t+1},a;w^{-})$
因此target network 使用自己的$Q$计算动作$a^{\ast }$，选取的是最大的。

而Double DQN不是target network最大的$a^{\ast }$，而是DQN里的最优的。

2.5 Summary

从该图可以看出，结合趋于平衡往往是最优的。

3.Dueling Network

3.1 相关定义

回顾几个定义。

这里定义最优优势函数$A^{\ast }$ 为$Q^{\ast }$ 与$V^{\ast }$ 的差值。

---

定理1，显然最优的$V$ 是取得所有$a$ 后的$Q^{\ast }$

---

因此可以得到$ma{x}_a{A}^{\ast }(s,a)=0$

---

因此可以这样表示$Q^{\ast }$

---

我们采用一个神经网络近似$A^{\ast }$

---

一个神经网络近似$V^{\ast }$

---

3.2 网络模型

因此可以用这两个网络近似$Q^{\ast }$

---

因为两个网络的卷积层操作相同，所以可以公用。

该网络同样可以使用experience replay、Double DQN，Multi-step TD 这些trick。

---

3.3 使用max-0常量的必要性

显然若$V^{\prime },A^{\prime }$的变化和最后为0，其$Q$ 也不会影响。

但是会导致对$V$，$A$的网络训练出现问题。

而引用max后就不会出现评价的偏差。

在实际应用中采用mean效果更优。

---

$V,A$ 两者是一起训练的，参数看成一个整体$w=(w^V,w^A)$ ，训练方式与DQN类似。

---