知识卡片
置信域约束策略分布变化
TRPO 用旧策略访问到的状态估计新策略的优势,使用新旧动作概率之比可从旧样本计算替代目标。替代目标在旧策略附近与真实目标一阶一致,跨太大一步会改变状态分布并放大近似误差。实用算法控制经验平均 KL 散度,以局部二次曲率求搜索方向,再检验步长是否提高替代目标并满足散度约束。理论下界使用更强的散度控制,实际近似无法保证每次实测回报都上升。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 随机策略梯度 8.4 TRPO方法 · 查看原书依据
TRPO算法的总体思路如下:首先证明了最大化某个替代回报函数可以保证策略的单调不减改进。然后,对这个理论上正确的替代算法进行一系列近似,得到一个实用的算法,我们称之为置信域策略优化(TRPO)。通过求解该算法,可以获得策略更新的方向和步长。
参考来源
- 位置:《强化学习》第08章《随机策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-017.xhtml#isbn9787302538295_8_1_4`)
- 结论依据:原文由旧分布替代、散度下界和重要性比率推到平均 KL、Fisher 曲率及共轭梯度。
- 原始内容:TRPO算法的总体思路如下:首先证明了最大化某个替代回报函数可以保证策略的单调不减改进。然后,对这个理论上正确的替代算法进行一系列近似,得到一个实用的算法,我们称之为置信域策略优化(TRPO)。通过求解该算法,可以获得策略更新的方向和步长。