1. DDPG
DDPG方法相比于传统的PG算法，主要有三点改进：
A. off-policy策略
传统PG算法一般是采用on-policy方法，其将整体强化学习过程分为多个epoch，在每个epoch完成一次policy模型和value模型更新，同时在每轮epoch都需要根据决策模型重新采样得到该轮的训练样本。
但当同环境交互代价比较高时，这种on-policy的方式效率并不好。因此DDPG提出了一种off-policy的方法，其可以利用历史的样本，假设对于历史样本，DDPG的off-policy策略会重新根据当前target policy重新估计价值。
因此DDPG的对于价值预估模型目标为，表示从所有历史样本上随机抽取的Batch
而传统on-policy策略的目标为，下式中可以是MC采样后累积收益，表示当前epoch轮的采样结果。
B. 更复杂的确定性连续动作策略场景建模
传统PG算法是通过一个动作分布来建模运作，这种动作分布一般是离散的，或者将动作建模高斯分布，通过一个神经网络拟合分布均值和标准差两个参数。
DDPG采用一个动作生成网络可以输出确定性且连续的动作值。
C. Target Networks
DDPG的off-policy策略会重新根据当前target policy重新估计价值，因此此处的估计值是通过另一个网络Target Networks进行计算的，主要是为了避免直接采用目标优化网络进行预估时，变化太大而影响效果。
传统的DQN会更隔一段时间，整体同步目标优化网络的参数给Target Network。而DDPG采用的是一种更为平滑的方式，帮助Target Network及时适配目标优化网络的参数。
D. Exploration
DDPG是确定性动作决策，所以为了保证探索，DDPG在采样动作后添加了一个高斯噪声，同时添加了截断来避免不合适的动作值。
DDPG的算法整体流程
2. Twin Delayed DDPG
Twin Delayed DDPG又被称为TD3算法，其主要在DDPG的基础上做了两点升级：
A. target policy smoothing
前文提到DDPG的off-policy策略会重新根据当前target policy重新估计价值，这里的target policy生成的动作没有加上噪声探索，因为这里只是用于估计价值，而不是要探索。
而TD3算法却对这里的target policy动作加上了噪声，其主要原因是为了正则化，这个正则化操作平滑了训练中可能会出现某些不正确的动作尖峰。
B. clipped double-Q learning
DDPG是基于Q-learning的，其由于是取最大可能性的某个确定动作，因此可能会带来Maxinum偏差（简单理解为由于预估分布的存在，所以最大值一般都会偏移期望值），这个问题可能通过double Q-learning进行解决。
TD3在DDPG的基础上，应用了double Q-learning思路，引入了两个target价值预估模型，分别生成价值预估，并选择其中最小作为最终的预估值。
同时也存在两个目标价值模型：
但是target决策模型只有一组，其也只根据某个一个目标价值模型优化：
TD3的算法整体流程
3. Soft Actor-Critic
由于DDPG只能产出确定性动作，因此Soft Actor Critic (SAC) 实现产出概率性动作决策 stochastic policy，SAC算法相比于TD3主要有两点不同：
A. entropy regularization
entropy regularization熵正则是SAC最核心的内容，因为SAC实现产出概率性动作决策，概率性动作决策主要问题是生成动作概率可能过于分散，因此SAC通过熵正则来避免这种情况。
同时policy模型更新目标也添加了熵正则，但是其把两个目标模型都应用了，这个同TD3是不同。
B. Exploration
SAC由于其动作决策函数是概率的，所以天然有exploration特性，因此对于动作决策模型其并没有target network。另外通过在训练中控制也可以控制动作决策模型的exploration特性。
文章来源：https://www.toymoban.com/news/detail-487120.html
文章来源地址https://www.toymoban.com/news/detail-487120.html
到了这里，关于强化学习DDPG：Deep Deterministic Policy Gradient解读的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
