Policy Gradient with Baseline

Policy Gradient with Baseline

1.Baseline

---

Baseline与动作A无关。

---

因此我们可以把策略梯度改写。

---

采用Monte Carlo 近似期望。

---

然后使用随机梯度上升更新$\theta$

---

一个好的baseline可以减少方差，加快收敛。

---

1.1 baseline的选择

b=0时是标准的policy gradient

---

第二种将b设为$V_{\pi }(s_t)$ ，因为$V_{\pi }$是$Q_{\pi }$的期望，与$Q_{\pi }$接近，且不依赖于$A_t$

---

2.REINFORCE with Baseline

REINFORECE 采用$u_t$作为$Q_{\pi }$的Mente Carlo 近似。

---

同时采用价值网络近似$V_{\pi }$

2.1 网络结构

---

2.2 更新网络

记：$v(s_t;w)-u_t={\delta }_t$

---

策略网络采用梯度上升更新参数。

---

价值网络采用SGD更新参数。

---

2.3 总结

---

再完成一句游戏后，观测的轨迹，可以获得多个$u_t,{\delta }_t$ ，因此可以进行多次更新。

---

3. Advantage Actor-Critic (A2C)

与AC不同的是，AC采用$q(s,t;w)$近似$Q_{\pi }(s,t)$，A2C 是采用$v(s;w)$近似$V_{\pi }(s)$

---

A2C同样基于baseline。

---

3.1 基本定理

这里证明了几个定理。

---

---

同样采用Mente Carlo近似$Q_{\pi }(s_t,a_t)$ 和$V_{\pi }(s_t)$

---

3.2 优势函数

我们将这部分称为 优势函数。

---

使用定理进行等式变形。

---

我们便可以进行随机梯度上升更新$\theta$

---

对于价值网络，我们可以使用TD target更新。

---

3.3 解释说明

因此当优势函数值为正说明$a_t$是好的，否则是坏的。

---

policy network 通过$s_t$ 选择$a_t$ 由环境产生$r_t,s_{t+1}$，value network 计算 advantage function 用来更新policy network，使用TD算法更新value network。

---

4.REINFORCE versus A2C

两者网络结构完全相同。

---

A2C的TD target 可以使用 multi step 更新。

---

而REINFORECE 使用$u_t$ 计算${\delta }_t$

---

可以看出，REINFORCE是multi step TD target 的特例。