隨機策略演算法

❶ [強化學習-07]--DPG、DDPG

DPG演算法新理解

DPG演算法主要應用於off-policy策略，區別於隨機策略，確定性策略在給定狀態下採取的動作是確定的，而隨機策略採取的動作具有不確定性。確定性策略梯度更新公式與隨機策略梯度更新公式存在區別，確定性策略少了對動作的積分，多了reward對動作的導數，這使得在高維動作空間中，確定性策略更容易訓練。

DDPG演算法流程採用AC框架，適用於解決連續動作空間的深度強化學習問題。DDPG結合了DQN結構，提高了穩定性和收斂性，其核心是使用actor-critic結構輸出具體的行為，而非行為概率。與DPG演算法相比，DDPG採用了卷積神經網路作為策略函數和Q函數的近似，並引入了actor和critic網路。此外，DDPG使用了軟更新策略和經驗回放機制，通過引入雜訊增加了學習的覆蓋，改進了loss函數，使學習過程更加高效穩定。

與DQN相比，DDPG的關鍵區別在於更新目標網路的參數方式不同。DDPG採用軟更新策略，參數更新更平滑，避免了硬更新可能導致的不穩定問題。同時，DDPG增加了隨機性操作，對選擇的動作添加了雜訊，增加了探索的多樣性。在actor網路的損失函數方面，DDPG通過取負號操作，使Q值與損失函數呈反比關系，從而優化策略學習過程。

總結而言，DPG和DDPG演算法在解決深度強化學習問題時，分別通過確定性策略和連續動作空間的處理，以及通過軟更新、經驗回放和隨機性操作等技術手段，提高了演算法的穩定性和學習效率。這些技術的引入不僅豐富了深度強化學習的理論基礎，也為實際應用提供了更強大的工具和方法。