一.前言

　　之前我們討論的所有問題都是先學習action value,再根據action value 來選擇action(無論是根據greedy policy選擇使得action value 最大的action,還是根據ε-greedy policy以1-ε的概率選擇使得action value 最大的action,action 的選擇都離不開action value 的計算)。即沒有action value的估計值就無法進行action選擇，也就沒有Policy,這類方法被稱為 value-based methods.其實我們可以直接產生不依賴於action value 的polcy ,這類直接生成action的方法就叫policy-based methods.他們關係如下：

　　value-based方法，需要計算價值函式（value function），根據自己認為的高價值選擇行（action）的方法，如Q Learning。
　　policy-based方法，不需要根據value function選擇action，可以直接得出policy的方法。
　　圖中第三類方法(Actor critic)結合了上述兩者，即計算value function，但不直接根據value function選擇action，action 由policy-based方法得到。

二. Advantages of Policy-Based RL　　

Policy-Based RL 的優勢：

　　1）有著更好的收斂性質。Value_Based 方法需要對值函式進行更新，然後才能反映到策略中，而值函式中的一些小小改變可能會使得策略發生較大改變，從而收斂性較差。當然，我們在模型無關的控制(model free)當中說過，如果將探索因子epsilon設定位1/k,則得到的Monte-carlo Contorl是符合GLIE條件的，此時該方法對應的致函蘇將收斂於最優致函數。Value-Based方法收斂性較差只得是較容易震盪而難以收斂，而後面說的將收斂於最優值函式是指“最終”將收斂於最優致函數。我們並不知道“最終”是多久，所以，Policy-Based在這個問題上更具有優勢。

　　2）在高緯度和連續動作空間上有著逢高的效率。畢竟Value-Based 方法需要計算

如果動作集很大，那麼這個max操作的計算量就很大，而Policy-Based RL方法就不存在這種問題。

　　3）可以學習隨機性策略。Value-Based 方法是隱式地對策略進行表示，需要用greedy 方法得到策略，所以學習單的是確定性策略。

　　Policy-Based 的缺點：

　　1）通常是收斂到極限；

　　2）評估策略是低效，高差異的；

　　舉例：

在上面的這個格子世界中，兩個灰色方格對於智慧體而言並沒有什麼區別。如果使用一個確定性策略，那麼在灰色方格處的決策要麼都向左，要麼都向右，不管是向左還是向右，都有可能卡住，如下圖：

當然，Value-Based方法也可以學習一個near-deterministic策略，比如說epsilon-greedy，這樣的方法雖然不會一直卡住，但是一般需要較長時間才能結束這一episode。課程中有這麼一句話：Whenever stochastic policy occurs, a stochastic policy can do better than a deterministic policy。也就是說，一般而言，只要出現隨機性策略的時候，一般都會比確定性策略要好。

下面來看一下常用的幾個目標函式：

        1）episodic環境中，我們使用start value：

2）continuing環境中，我們使用average value：

 3）continuing環境中，也可以使用average reward per time-step：

其中d為利用對應策略生成的馬爾可夫鏈的穩態分佈。1）中為從某個狀態開始，後面將得到的獎勵；2）中為continuing環境，所以並沒有一個所謂的初始狀態，也沒有一個結束狀態；3）中表示平穩狀態分佈下單步的獎勵。

 三. Score Function

也即策略梯度可以等價地表示為策略乘以一個似然函式的倒數，這個與極大似然操作形式一致的式子叫做Score Function ,表示為：

下面通過兩個例子說明score function:

　　1)softmax policy

首先假設使用線性特徵組合對動作進行加權：

此時，score function為：

同理，我們可以得到服從的高斯分佈的score function：

四.one-step MDP

考慮完策略的導數之後，接著我們討論獎勵函式的導數。首先考慮一個簡單的one-step MDP：

 推導獎勵函式的梯度：

我們通過這個簡單的one-step MDP可知，獎勵函式的導數等於socre function乘以reward在策略下的期望，也即：

        策略梯度定理正是這一簡單情形的拓展：

與上面的one-step MDP的情形相比，這裡將其拓展到了multi-step MDP，並且將即時獎勵r替換為了long-term值函式，這一定理非常重要。我們知道，我們對於策略引數的更新都是沿著極大化獎勵函式的方向進行的，所以由上式我們可以對引數進行更新。

接下來將將該定理結合model-free情形進行使用，得到REINFORCE演算法：

五.Monte-Carlo Policy Gradient (REINFORCE)

其想法非常簡單，就是將獎勵函式的梯度中的期望換為取樣，在一個episode結束之後，利用該episode中的每一個step對引數進行更新。不過這個演算法中對於的估計使用的是回報（return），這是一個無偏估計，但是卻有著較大的方差，所以，我們考慮換成其他方法對值函式進行逼近，比如說利用神經網路或其他引數化方法，記引數為w（此處可回想DDPG演算法形式）：

　　我們稱之為Critic，並將上面的引數化策略稱為Actor，將這二者結合起來，叫做Actor-Critic演算法：

對於引數w的更新，我們可以將回報（return）或者TD target作為目標，最小化當前值函式與目標的平方。此外，在Actor-Critic演算法中，我們可以在每個step對策略進行更新，而不用像REINFORCE一樣，只能在每個episode執行完成之後進行更新。因為這裡每個step我們可以使用對獎勵進行估計，然後代入上面的式子，對策略進行更新，而REINFORCE使用回報（return）決定了它不能實時更新。當然，在這裡使用的是單樣本更新，我們也可以將其換為least-squares方法，也即replay buffer方法。

        Actor-Critic演算法雖然降低了方差，但是一般來說是有偏的，因為在approximating的時候引入了bias。那是否能夠通過恰當地選擇值函式估計器來避免引入bias呢？這是可以的。由此我們引出相容函式估計（Compatible Function Approximation）

 考慮條件1中提到的式子，用語言表述為：“score function = the gradient of Critic”，將其代入到中，可得：

 比方說，在某個狀態s和動作a下，假設為正，則沿著的梯度方向進行更新，且越大，越大，如果為負，則朝著與的梯度相反的方向更新。換句話說，我們這裡的朝著大的方向更新，

其中最左邊一幅圖表示score function向量，其實就是朝著使p(x)增大的方向；中間的圖則是表示一個加權函式f，比方說我們的 等（值得注意的是，圖中標示的score function並不是我們這裡的score function，只是因為f作為一個加權，所以這樣叫罷了），這個函式在除了三個小圓圈範圍內的其他區域的值均為-1，小圓圈內的值為+1；最右邊的圖則是表明，除了在小圓圈中的區域外，其他區域對於引數的更新是與score function相反的，所以分佈p(x)進行了相應更新。

        前面我們說過，為了降低REINFORCE演算法的方差，我們引入了Critic，現在，我們進一步使用Baseline來降低RL中的方差。首先我們可以推匯出如下式子：

該式表明，對於某一個與動作a無關的基準函式B(s)，它乘以score function之後，計算在策略下的期望，結果為0。換句話說，我們可以在獎勵函式的梯度的基礎上任意的增減一個這樣的式子，而保持梯度不變。一個不錯的Baseline函式就是值函式是，在原獎勵函式梯度的計算式上減去該值，得到：

我們稱為優勢函式，用其表示獎勵函式的梯度為：

  優勢函式的意義是，在動作值函式的基礎上減去了對應狀態擁有的基準值，使之變為動作帶來的增益，因而降低了方差（降低了由於狀態基準值的抖動引起的方差）。當然，這樣做也有缺點（筆者觀點），那就是相當於將不同狀態下的動作帶來的獎勵放在同一水平考慮，實質上是應該結合狀態進行考慮的，關於獎勵函式，我們可以結合Dueling Network進行理解與深思（提示：Dueling Network中使用雙流結構，考慮了優勢函式以及狀態值函式，從二者的作用來看，狀態值函式那一項也是有意義的）。

        現在我們給出的計算優勢函式的公式是理論上的，或者說是策略對應的真實優勢函式，但實際上，我們並不知道該函式，因而只能對其進行估計，就像我們前面估計狀態值函式和動作值函式一樣：

我們可以不斷地更新以及，比方說利用TD方法進行更新，然後通過計算得到。不過令人感到不開心的是，這裡我們需要維持兩個逼近器，有沒有方法能夠讓我們用一個逼近器就能夠給出優勢函式的估計呢？有的，具體見下面的PPT：

其中最為重要的結論是：“如果我們使用真實的狀態值函式來計算TD error，則TD error為優勢函式的一個無偏估計”。並且，在這種方法中，我們僅需一組引數就能夠對優勢函式進行估計。

        關於不同Time-Scales下的Critics、Actors以及考慮資格跡的策略梯度，鑑於其重要性，因而直接給出課程PPT如下：

自然策略梯度也即直接對原始策略梯度進行修正，乘以一個Fisher資訊陣的逆。這樣做有什麼用處呢？它使得策略梯度變成parametrisation無關的了。舉個例子，對於一個softmax策略，我們增大其中所有動作的score，此時各個動作的概率並不會發生改變，這可以通過其score function來考慮：

        比方說，我們反過來想，成比例的增大策略中各個動作對應的分子，也即，因為softmax策略中的分母也會成比例的增大，所以最終各個動作的概率並沒有發生改變。如果這裡我們是通過增加來增加分子的值的，所以上面的score function也可能會隨之增大，這樣的話，雖然該策略各個動作對應的概率沒有變，但是下一步對於策略的改進卻發生了改變（想想對於策略引數的更新公式），這並不是我們想看到的。而自然策略梯度可以很好地解決這一問題，對於剛剛提及的這種情形，Fisher資訊陣也將增大，從而使得下一步對於策略的改進與reparametrisation無關，就很開心了。
 將自然策略梯度與Actor-Critic結合，得到Natural Actor-Critic如下：

在上面的推導中，我們可以將compatible function approximation積分代入對於獎勵函式的求導中，得到最終的獎勵函式的自然梯度，發現它就等於Critic的引數w，這並不是巧合，當我們結合natural policy gradient + compatible function approximation之後，就可以推到得到這一結論：對Actor引數的更新就等於Critic的引數。

總結：　

本章闡述了value-based methods和policy-based methods的優缺點，引入了效能函式J(θ) J(\mathbf \theta)J(θ)，介紹了PG定理，並詳細介紹了episode case下的PG方法：REINFORCE 、REINFORCE-with-baseline(減小偏差，但方差較大)。介紹了結合PG 和value-based methods的Actor{Critic Methods，以及 continuing case下的PG。