强化学习（TD3）

news2024/11/29 4:51:13

TD3——Twin Delayed Deep Deterministic policy gradient 双延迟深度确定性策略梯度

TD3是DDPG的一个优化版本，旨在解决DDPG算法的高估问题

优化点：

①双重收集：采取两套critic收集，计算两者中较小的值，从而克制收集过估量成绩。

DDPG源于DQN，DQN源于Q_learning，这些算法都是通过估计Q值来寻找最优的策略，在强化学习中，更新Q网络的目标值target为： $y=r+\gamma max_{a^{'}}Q\left ( s^{'}, a^{'} \right )$ ，因为样本存在噪声 $\epsilon$ ，所以真实情况下，有误差的动作价值估计的最大值通常会比真实值更大： $E_{\epsilon }\left [ max_{a^{'}}\left ( Q\left ( s^{'},a^{'} \right )+\epsilon \right ) \right ]\geq max_{a^{'}}Q\left ( s^{'},a^{'} \right )$

这就不可避免的降低了估值函数的准确度，由于估值方法的计算依据贝尔曼方程，即使用后续状态对估计值进行更新，这种性质又加剧了精确度的下降，在每一次更新策略时，使用一个不准确的估计值将会导致错误被累加，这些贝雷架的错误会导致某一个不好的状态被高估，最终导致策略无法被优化到最优，并使算法无法被收敛。

②目标策略平滑正则化：在计算目标值时，加上扰动，从而使得评价更加准确。

③延迟更新：让目标网络与当前网络更新不同步，当前网络更新d次之后再对traget网络进行更新；critic更新多次后，actor更新，critic的更新频次多于actor的

伪代码：

采用随机参数 $\theta _{1}$ 、 $\theta _{2}$ 、 $\phi$ 初始化critic网络 $Q_{\theta _{1}}$ 、 $Q_{\theta _{2}}$ 以及actor网络 $\pi _{\phi }$

初始化目标critic、actor网络: $\theta _{1}^{'}\leftarrow \theta _{1}$ 、 $\theta _{2}^{'}\leftarrow \theta _{2}$ 、 $\phi ^{'}\leftarrow \phi$

初始化回放缓存区R

for t=1 to T do

选择动作并添加探索噪声 $a=\pi _{\phi }\left ( s \right )+\epsilon$ ， $\epsilon$ 服从某种分布，执行动作后获得奖励r和新的状态 $s^{'}$ ，将经验值 $\left ( s, a, r, s^{'} \right )$ 存入回放缓存区

从回放缓存区中抽取小批量样本数据：

$\tilde{a}\leftarrow \pi _{\phi ^{'}}\left ( s^{'} \right )+\epsilon$

$y\leftarrow r+\gamma min_{i=1,2}Q_{\theta _{i}^{'}}\left ( s^{'},\tilde{a} \right )$

更新critic网络参数： $\theta _{i}\leftarrow argmin_{\theta _{i}}N^{-1}\sum_{}^{}\left ( y-Q_{\theta _{i}} \left ( s, a \right )\right )^{2}$

如果 t mod d then

通过确定性策略梯度更新actor网络参数：

$\triangledown _{\phi }J\left ( \phi \right )=N^{-1}\sum \triangledown _{a}Q_{\theta _{1}}\left ( s,a \right )|_{a=\pi _{\phi \left ( s \right )}}\triangledown _{\phi }\pi _{\phi }\left ( s \right )$