note

一、策略梯度算法

• 策略梯度（Policy Gradient）算法是一类用于解决强化学习问题的算法，它通过直接对策略进行参数化，并利用梯度上升的方法来优化策略参数，从而最大化期望回报。
• 策略梯度算法：智能体的行为策略决定了它在环境中的行动，而策略的参数化表示则决定了行为策略的具体形式。智能体的目标是找到一组最优的策略参数，使得在遵循该策略与环境交互时，能够获得最大的累积奖励。
• 策略通常表示为一个参数化的概率分布，智能体根据这个分布来选择动作。例如，如果我们有一个离散的动作空间（如上下左右移动的动作），策略可以是动作的概率分布；如果动作空间是连续的，策略可以是动作的概率密度函数。
• 策略梯度算法的关键公式是策略梯度定理，它表达了策略参数对策略性能的影响。策略梯度定理可以表示为：
  $${\nabla }_{\theta }J(\theta )={\mathbb{E}}_{\tau \sim p(\tau ;\theta )}\left[\sum _{t=0}^T{\nabla }_{\theta }\log {\pi }_{\theta }\left(a_t\mid s_t\right)A^{\pi }\left(s_t,a_t\right)\right]$$

其中：

• $J(\theta )$ 是策略的期望回报, 也称为性能函数。
• $\theta$ 是策略的参数。
• $\tau$ 表示一个轨迹 (trajectory), 即一个完整的交互序列 $s_0,a_0,r_1,s_1,a_1,\dots ,s_T$ 。
• $p(\tau ;\theta )$ 是在策略 ${\pi }_{\theta }$ 下生成轨迹的概率。
• ${\pi }_{\theta }\left(a_t\mid s_t\right)$ 是在状态 $s_t$ 下采取动作 $a_t$ 的概率。
• $A^{\pi }\left(s_t,a_t\right)$ 是动作值函数 (Advantage Function)，它衡量了在状态 $s_t$ 下采取动作 $a_t$ 相对于平均情况的优势。

在实际应用中，我们通常无法直接计算上述期望值，因为环境模型通常是未知的。因此，策略梯度算法通常需要通过采样来估计这个期望值。智能体通过与环境交互来收集经验，然后使用这些经验来估计梯度，并更新策略参数。

二、策略梯度算法的优缺点

策略梯度算法的优点是实现简单，适用于连续动作空间，并且可以处理随机环境。然而，它也存在一些缺点，比如样本效率可能较低，策略更新可能非常不稳定等。为了改进这些缺点，研究者们提出了许多策略梯度的变种算法，如自然策略梯度（Natural Policy Gradient）、信任域策略优化（Trust Region Policy Optimization, TRPO）和近端策略优化（Proximal Policy Optimization, PPO）等。

时间安排

任务	天数	截止时间	注意事项
Task01: 马尔可夫过程、DQN算法	3天	1月15周一-17日周三
Task02: 策略梯度算法	3天	1月18日周四-20周六
Task03: A2C、A3C算法、JoyRL开源文档（关注多进程）	3天	1月21日周日-23日周二
Task04: DDPG、TD3算法	3天	1月24日周三-26日周五
Task05: PPO算法，JoyRL代码实践(选择任一算法任一环境，研究算法不同参数给实验结果带来的影响，也可以用JoyRL上没有跑过的环境尝试)	6天	1月27日周六-2月1号周四

Reference

[1] 开源内容https://linklearner.com/learn/detail/91
[2] https://github.com/datawhalechina/joyrl-book