Двухдневные глубокие детерминированные агенты градиента политики

Сдвоенный алгоритм глубокого детерминированного градиента политики (TD3) является онлайновым методом обучения с подкреплением без моделей и без политики. Агент TD3 является агентом обучения с подкреплением актёра-критика, который ищет оптимальную политику, которая максимизирует ожидаемое совокупное долгосрочное вознаграждение.

Для получения дополнительной информации о различных типах агентов обучения с подкреплением смотрите Reinforcement Learning Agents.

Алгоритм TD3 является расширением алгоритма DDPG. Агенты DDPG могут переоценивать функции ценности, что может привести к неоптимальным политикам. Для уменьшения переоценки функции ценности включает следующие модификации алгоритма DDPG.

Агент TD3 учит две функции Q-значений и использует минимальную оценку функции ценности во время обновления политики.
Агент TD3 обновляет политику и цели реже, чем функции Q.
При обновлении политики агент TD3 добавляет шум целевому действию, что снижает вероятность использования политики действиями с высокими оценками Q-значений.

Можно использовать агента TD3 для реализации одного из следующих алгоритмов настройки, в зависимости от количества заданных критиков.

TD3 - Обучите агента с двумя функциями Q-значений. Этот алгоритм реализует все три предыдущие модификации.
Задержка DDPG - Обучите агента с одной функцией Q-значения. Этот алгоритм обучает агента DDPG с целевым сглаживанием политики и отложенными обновлениями политики и цели.

TD3 агенты могут быть обучены в окружениях со следующими пространствами наблюдений и действий.

Пространство наблюдений	Пространство действий
Непрерывный или дискретный	Непрерывный

TD3 агенты используют следующие представления актёра и критика.

Критик	Актер
Критик функции Q (S, A), которую вы создаете `используя rlQValueRepresentation`	Субъект детерминированной политики, который вы создаете используя `rlDeterministicActorRepresentation`

Во время обучения агент TD3:

Обновляет свойства актёра и критика в каждый временной шаг во время обучения.
Сохраняет прошлые опыты с помощью буфера циклического опыта. Агент обновляет актёра и критика, используя мини-пакет переживаний, случайным образом выбранных из буфера.
Возмущает действие, выбранное политикой, используя стохастическую модель шума на каждом шаге обучения.

Функции актёра и критика

Чтобы оценить политику и функцию ценности, агент TD3 поддерживает следующие функциональные аппроксимации:

Детерминированный актёр μ (S) - актёр принимает S наблюдения и возвращает соответствующее действие, которое максимизирует долгосрочное вознаграждение.
Целевой актёр μ' (S) - Чтобы улучшить стабильность оптимизации, агент периодически обновляет целевой актёр на основе последних значений параметров актёра.
Один или два критика Q-значения _Qk (S, A) - критики берут наблюдение S и действие A как входы, и возвращает соответствующее ожидание долгосрочного вознаграждения.
Один или два _Q'k целевых критиков (S, A) - для повышения устойчивости оптимизации агент периодически обновляет целевых критиков на основе последних значений параметров критиков. Количество целевых критиков совпадает с количеством критиков.

И μ (S), и μ' (S) имеют одинаковую структуру и параметризацию.

Для каждого критика _Qk (S, A) и _Q'k (S, A) имеют одинаковую структуру и параметризацию.

При использовании двух критиков, Q 1 (S, A) и Q 2 (S, A), каждый критик может иметь разную структуру, хотя TD3 работает лучше всего, когда у критиков одинаковая структура. Когда критики имеют ту же структуру, они должны иметь другие начальные значения параметров.

Когда обучение завершено, обученная оптимальная политика сохранена в μ актёра (S).

Для получения дополнительной информации о создании актёров и критиков для приближения функций, смотрите Создать политику и Представления функции ценности.

Создание агента

Можно создать агента TD3 с представлениями актёра и критика по умолчанию на основе наблюдений и спецификаций действия от окружения. Для этого выполните следующие шаги.

Создайте спецификации наблюдений для вашего окружения. Если у вас уже есть объект интерфейса окружения, можно получить эти спецификации, используя getObservationInfo.
Создайте спецификации действия для вашего окружения. Если у вас уже есть объект интерфейса окружения, можно получить эти спецификации, используя getActionInfo.
При необходимости укажите количество нейронов в каждом обучаемом слое или использовать ли слой LSTM. Для этого создайте объект опции инициализации агента с помощью rlAgentInitializationOptions.
При необходимости задайте опции агента, используя rlTD3AgentOptions объект.
Создайте агента с помощью rlTD3Agent объект.

Кроме того, можно создать представления актёра и критика и использовать эти представления для создания агента. В этом случае убедитесь, что входная и выходная размерности представлений актёра и критика совпадают с соответствующими спецификациями действий и наблюдений окружения.

Создайте актёра, используя rlDeterministicActorRepresentation объект.
Создайте одного или двух критиков, используя rlQValueRepresentation объекты.
Задайте опции агента, используя rlTD3AgentOptions объект.
Создайте агента с помощью rlTD3Agent объект.

Алгоритм настройки

TD3 агенты используют следующий алгоритм настройки, в котором они обновляют свои модели актёра и критика на каждом временном шаге. Чтобы сконфигурировать алгоритм настройки, задайте опции используя rlDDPGAgentOptions объект. Здесь K = 2 - количество критиков и k - индекс критика.

Инициализируйте каждый _Qk критика (S, A) со случайными значениями параметров _θQk и инициализируйте каждого целевого критика с одинаковыми случайными значениями параметров: $θ_{Q k'} = θ_{Q k}$ .
Инициализируйте μ актёра (S) со случайными значениями параметров _θμ и инициализируйте целевой актёр с теми же значениями параметров : $θ_{μ'} = θ_{μ}$ .
Для каждого временного шага обучения:
1. Для текущей S наблюдения выберите действие A = μ (S) + N, где N является стохастическим шумом из модели шума. Чтобы сконфигурировать модель шума, используйте ExplorationModel опция.
2. Выполните действие A. Наблюдайте за R вознаграждения и следующими S' наблюдения.
3. Сохраните опыт (S, A, R, S') в буфере опыта.
4. Пробуйте случайную мини-партию M события (_Si, _Ai, _Ri, _S'i) от буфера опыта. Чтобы задать M, используйте MiniBatchSize опция.
5. Если _S'i является терминальным состоянием, задайте _yi целевого значения функции _Ri. В противном случае установите его на
  $y_{i} = R_{i} + γ * \min_{k} (Q_{k}' (S_{i}', clip (μ' (S_{i}' | θ_{μ}) + ε) | θ_{Q k'}))$
  Целевая функция функции ценности является суммой вознаграждения за опыт _Ri и минимальным дисконтированным будущим вознаграждением от критиков. Чтобы задать γ коэффициента скидки, используйте DiscountFactor опция.
  Чтобы вычислить совокупное вознаграждение, агент сначала вычисляет следующее действие путем передачи следующего _S'i наблюдения из дискретизированного опыта целевому актеру. Затем агент добавляет ε шума к вычисляемому действию с помощью TargetPolicySmoothModel, и клипсирует действие на основе верхнего и нижнего пределов шума. Агент находит совокупные вознаграждения, передав следующее действие целевым критикам.
6. На каждом шаге обучения обновляйте параметры каждого критика, минимизируя _Lk потерь во всех выборочных опытах.
  $L_{k} = \frac{1}{M} \sum_{i = 1}^{M} {(y_{i} - Q_{k} (S_{i}, A_{i} | θ_{Q k}))}^{2}$
7. Каждый D 1 шаги обновляйте параметры актёра, используя следующий выборочный градиент политики, чтобы максимизировать ожидаемое дисконтированное вознаграждение. Чтобы задать _D 1, используйте PolicyUpdateFrequency опция.
  $\begin{array}{l} \nabla_{θ_{μ}} J \approx \frac{1}{M} \sum_{i = 1}^{M} G_{a i} G_{μ i} \\ G_{a i} = \nabla_{A} \min_{k} (Q_{k} (S_{i}, A | θ_{Q})) где A = μ (S_{i} | θ_{μ}) \\ G_{μ i} = \nabla_{θ_{μ}} μ (S_{i} | θ_{μ}) \end{array}$
  Здесь _Gai является градиентом минимального выхода критика относительно действия, вычисленного сетью актёра, и _Gμi является градиентом выхода актёра относительно параметров актёра. Оба градиента оцениваются для _Si наблюдений.
8. Каждый D 2 шаги, обновляйте целевого актёра и критиков в зависимости от целевого метода обновления. Чтобы задать _D 2, используйте TargetUpdateFrequency опция. Дополнительные сведения см. в разделе Методы целевого обновления.

Для простоты обновления актёра и критика в этом алгоритме показывают обновление градиента с помощью базового стохастического градиентного спуска. Фактический метод обновления градиента зависит от оптимизатора, который вы задаете используя rlRepresentationOptions.

Методы целевого обновления

TD3 агенты обновляют свои целевые параметры актёра и критика, используя один из следующих методов целевого обновления.

Сглаживание - обновляйте целевые параметры в каждый временной шаг с помощью τ коэффициента сглаживания. Чтобы задать коэффициент сглаживания, используйте TargetSmoothFactor опция.
$\begin{array}{l} θ_{Q k'} = τ θ_{Q k} + (1 - τ) θ_{Q k'} (critic parameters) \\ θ_{μ'} = τ θ_{μ} + (1 - τ) θ_{μ'} (actor parameters) \end{array}$
Периодический - Периодически обновляйте целевые параметры без сглаживания (TargetSmoothFactor = 1). Чтобы задать период обновления, используйте TargetUpdateFrequency параметр.
$\begin{array}{l} θ_{Q k'} = θ_{Q k} \\ θ_{μ'} = θ_{μ} \end{array}$
Периодическое сглаживание - периодически обновляйте целевые параметры с сглаживанием.

Чтобы сконфигурировать целевой метод обновления, создайте rlTD3AgentOptions Объекту и установите TargetUpdateFrequency и TargetSmoothFactor параметры, как показано в следующей таблице.

Метод обновления	`TargetUpdateFrequency`	`TargetSmoothFactor`
Сглаживание (по умолчанию)	`1`	Меньше `1`
Периодический	Больше `1`	`1`
Периодическое сглаживание	Больше `1`	Меньше `1`

Ссылки

[1] Фухимото, Скотт, Херке ван Хоф и Дэвид Мегер. «Устранение Приближения функций ошибки в методах актёра-критика». ArXiv:1802.09477 [Cs, Stat], 22 октября 2018 года. https://arxiv.org/abs/1802.09477.

См. также

rlTD3Agent | rlTD3AgentOptions

Документация