在上一篇文章中,我们介绍了 Proximal Policy Optimization (PPO) 算法,并使用它解决了 CartPole 问题。本文将深入探讨 Deep Deterministic Policy Gradient (DDPG) 算法,这是一种用于连续动作空间的强化学习算法。我们将使用 PyTorch 实现 DDPG 算法,并应用于经典的 Pendulum 问题。
一、DDPG 算法基础
DDPG 是一种基于 Actor-Critic 框架的算法,专门用于解决连续动作空间的强化学习问题。它结合了深度 Q 网络(DQN)和策略梯度方法的优点,能够高效地处理高维状态和动作空间。
1. DDPG 的核心思想
-
确定性策略:
-
DDPG 使用确定性策略(Deterministic Policy),即给定状态时,策略网络直接输出一个确定的动作,而不是动作的概率分布。
-
-
目标网络:
-
DDPG 使用目标网络(Target Network)来稳定训练过程,类似于 DQN 中的目标网络。
-
-
经验回放:
-
DDPG 使用经验回放缓冲区(Replay Buffer)来存储和重用过去的经验,从而提高数据利用率。
-
2. DDPG 的优势
-
适用于连续动作空间:
-
DDPG 能够直接输出连续动作,适用于机器人控制、自动驾驶等任务。
-
-
训练稳定:
-
通过目标网络和经验回放,DDPG 能够稳定地训练策略网络和价值网络。
-
-
高效采样:
-
DDPG 可以重复使用旧策略的采样数据,从而提高数据利用率。
-
3. DDPG 的算法流程
-
使用当前策略采样一批数据。
-
使用目标网络计算目标 Q 值。
-
更新 Critic 网络以最小化 Q 值的误差。
-
更新 Actor 网络以最大化 Q 值。
-
更新目标网络。
-
重复上述过程,直到策略收敛。
二、Pendulum 问题实战
我们将使用 PyTorch 实现 DDPG 算法,并应用于 Pendulum 问题。目标是控制摆杆使其保持直立。
1. 问题描述
Pendulum 环境的状态空间包括摆杆的角度和角速度。动作空间是一个连续的扭矩值,范围在 −2,2 之间。智能体每保持摆杆直立一步,就会获得一个负的奖励,目标是最大化累积奖励。
2. 实现步骤
-
安装并导入必要的库。
-
定义 Actor 网络和 Critic 网络。
-
定义 DDPG 训练过程。
-
测试模型并评估性能。
3. 代码实现
以下是完整的代码实现:
import gym
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import numpy as np
import random
from collections import deque
import matplotlib.pyplot as plt
# 设置 Matplotlib 支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 检查 GPU 是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")
# 环境初始化
env = gym.make('Pendulum-v1')
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.shape[0]
max_action = float(env.action_space.high[0])
# 随机种子设置
SEED = 42
torch.manual_seed(SEED)
np.random.seed(SEED)
random.seed(SEED)
# 定义 Actor 网络
class Actor(nn.Module):
def __init__(self, state_dim, action_dim, max_action):
super(Actor, self).__init__()
self.fc1 = nn.Linear(state_dim, 512)
self.ln1 = nn.LayerNorm(512) # 层归一化
self.fc2 = nn.Linear(512, 512)
self.ln2 = nn.LayerNorm(512)
self.fc3 = nn.Linear(512, action_dim)
self.max_action = max_action
def forward(self, x):
x = F.relu(self.ln1(self.fc1(x)))
x = F.relu(self.ln2(self.fc2(x)))
return self.max_action * torch.tanh(self.fc3(x))
# 定义 Critic 网络
class Critic(nn.Module):
def __init__(self, state_dim, action_dim):
super(Critic, self).__init__()
self.fc1 = nn.Linear(state_dim + action_dim, 256)
self.fc2 = nn.Linear(256, 256)
self.fc3 = nn.Linear(256, 1)
def forward(self, x, u):
x = F.relu(self.fc1(torch.cat([x, u], 1)))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# 添加OU噪声类
class OUNoise:
def __init__(self, action_dim, mu=0, theta=0.15, sigma=0.2):
self.mu = mu * np.ones(action_dim)
self.theta = theta
self.sigma = sigma
self.reset()
def reset(self):
self.state = np.copy(self.mu)
def sample(self):
dx = self.theta * (self.mu - self.state) + self.sigma * np.random.randn(len(self.state))
self.state += dx
return self.state
# 定义 DDPG 算法
class DDPG:
def __init__(self, state_dim, action_dim, max_action):
self.actor = Actor(state_dim, action_dim, max_action).to(device)
self.actor_target = Actor(state_dim, action_dim, max_action).to(device)
self.actor_target.load_state_dict(self.actor.state_dict())
self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=1e-4)
self.critic = Critic(state_dim, action_dim).to(device)
self.critic_target = Critic(state_dim, action_dim).to(device)
self.critic_target.load_state_dict(self.critic.state_dict())
self.critic_optimizer = optim.Adam(self.critic.parameters(), lr=1e-3)
self.noise = OUNoise(action_dim, sigma=0.2) # 示例:Ornstein-Uhlenbeck噪声
self.max_action = max_action
self.replay_buffer = deque(maxlen=1000000)
self.batch_size = 64
self.gamma = 0.99
self.tau = 0.005
self.noise_sigma = 0.5 # 初始噪声强度
self.noise_decay = 0.995
self.actor_lr_scheduler = optim.lr_scheduler.StepLR(self.actor_optimizer, step_size=100, gamma=0.95)
self.critic_lr_scheduler = optim.lr_scheduler.StepLR(self.critic_optimizer, step_size=100, gamma=0.95)
def select_action(self, state):
state = torch.FloatTensor(state).unsqueeze(0).to(device)
self.actor.eval()
with torch.no_grad():
action = self.actor(state).cpu().data.numpy().flatten()
self.actor.train()
return action
def train(self):
if len(self.replay_buffer) < self.batch_size:
return
# 从经验回放缓冲区中采样
batch = random.sample(self.replay_buffer, self.batch_size)
state = torch.FloatTensor(np.array([transition[0] for transition in batch])).to(device)
action = torch.FloatTensor(np.array([transition[1] for transition in batch])).to(device)
reward = torch.FloatTensor(np.array([transition[2] for transition in batch])).reshape(-1, 1).to(device)
next_state = torch.FloatTensor(np.array([transition[3] for transition in batch])).to(device)
done = torch.FloatTensor(np.array([transition[4] for transition in batch])).reshape(-1, 1).to(device)
# 计算目标 Q 值
next_action = self.actor_target(next_state)
target_Q = self.critic_target(next_state, next_action)
target_Q = reward + (1 - done) * self.gamma * target_Q
# 更新 Critic 网络
current_Q = self.critic(state, action)
critic_loss = F.mse_loss(current_Q, target_Q.detach())
self.critic_optimizer.zero_grad()
critic_loss.backward()
self.critic_optimizer.step()
# 更新 Actor 网络
actor_loss = -self.critic(state, self.actor(state)).mean()
self.actor_optimizer.zero_grad()
actor_loss.backward()
self.actor_optimizer.step()
# 更新目标网络
for param, target_param in zip(self.critic.parameters(), self.critic_target.parameters()):
target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)
for param, target_param in zip(self.actor.parameters(), self.actor_target.parameters()):
target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)
def save(self, filename):
torch.save(self.actor.state_dict(), filename + "_actor.pth")
torch.save(self.critic.state_dict(), filename + "_critic.pth")
def load(self, filename):
self.actor.load_state_dict(torch.load(filename + "_actor.pth"))
self.critic.load_state_dict(torch.load(filename + "_critic.pth"))
# 训练流程
def train_ddpg(env, agent, episodes=500):
rewards_history = []
moving_avg = []
for ep in range(episodes):
state,_ = env.reset()
episode_reward = 0
done = False
while not done:
action = agent.select_action(state)
next_state, reward, done, _, _ = env.step(action)
agent.replay_buffer.append((state, action, reward, next_state, done))
state = next_state
episode_reward += reward
agent.train()
rewards_history.append(episode_reward)
moving_avg.append(np.mean(rewards_history[-50:]))
if (ep + 1) % 50 == 0:
print(f"Episode: {ep + 1}, Avg Reward: {moving_avg[-1]:.2f}")
return moving_avg, rewards_history
# 训练启动
ddpg_agent = DDPG(state_dim, action_dim, max_action)
moving_avg, rewards_history = train_ddpg(env, ddpg_agent)
# 可视化结果
plt.figure(figsize=(12, 6))
plt.plot(rewards_history, alpha=0.6, label='single round reward')
plt.plot(moving_avg, 'r-', linewidth=2, label='moving average (50 rounds)')
plt.xlabel('episodes')
plt.ylabel('reward')
plt.title('DDPG training performance on Pendulum-v1')
plt.legend()
plt.grid(True)
plt.show()
三、代码解析
-
Actor 和 Critic 网络:
-
Actor 网络输出连续动作,通过
tanh
函数将动作限制在 −max_action,max_action 范围内。 -
Critic 网络输出状态-动作对的 Q 值。
-
-
DDPG 训练过程:
-
使用当前策略采样一批数据。
-
使用目标网络计算目标 Q 值。
-
更新 Critic 网络以最小化 Q 值的误差。
-
更新 Actor 网络以最大化 Q 值。
-
更新目标网络。
-
-
训练过程:
-
在训练过程中,每 50 个 episode 打印一次平均奖励。
-
训练结束后,绘制训练过程中的总奖励曲线。
-
四、运行结果
运行上述代码后,你将看到以下输出:
-
训练过程中每 50 个 episode 打印一次平均奖励。
-
训练结束后,绘制训练过程中的总奖励曲线。
五、总结
本文介绍了 DDPG 算法的基本原理,并使用 PyTorch 实现了一个简单的 DDPG 模型来解决 Pendulum 问题。通过这个例子,我们学习了如何使用 DDPG 算法进行连续动作空间的策略优化。
在下一篇文章中,我们将探讨更高级的强化学习算法,如 Twin Delayed DDPG (TD3)。敬请期待!
代码实例说明:
-
本文代码可以直接在 Jupyter Notebook 或 Python 脚本中运行。
-
如果你有 GPU,可以将模型和数据移动到 GPU 上运行,例如:
actor = actor.to('cuda')
,state = state.to('cuda')
。
希望这篇文章能帮助你更好地理解 DDPG 算法!如果有任何问题,欢迎在评论区留言讨论。