一、四大待解决问题

序号	待解决问题	进一步理解	产生原因	本质
1	非独立同分布数据使神经网络难以收敛	由于训练分布完全依赖于序贯决策样本，导致训练出的数据分布局部化 ，即不同于完整状态-动作空间分布	序贯探索决策中有些动作频繁被执行，而有些动作几乎从不会被采样	采样 数据分布
2	不断更新的目标使得每次得到的策略也在变化	policy随target震荡而震荡	由于target的估计不可避免地存在误差，导致policy的更新出现震荡	target估计不准
3	异构的过估计对策略产生不良影响	过估计会使Q表或神经网络参数w误差更大，从而影响策略	Bellman optimailty Eq中的max操作在实际迭代时由于估计不准而出现Maximization Bias	target估计不准
4	对于全状态-动作空间的采样效率低	更优的采样方法决定以更少的采样频率采样到更完整的空间分布	没有基于历史采样的全部信息作出采样规划	采样 数据分布

二、DRL主流Trick

序号	Trick	切入点	缓解问题	应用场景	备注
1	经验回放	采样方式	①非独立同分布	DQN	仅Off-policy
2.1	并行探索(回传梯度)	采样方式	①非独立同分布	A3C	Off/On-policy
2.2	并行探索(回传经历)	采样方式	①非独立同分布	DPPO/IMPALA	同上
3	分离target网络	延迟target更新	② target与policy的更新震荡	DQN	同上
4	延迟policy更新	延迟policy更新	② target与policy的更新震荡	TD3	同上
5	受限policy更新	policy在信赖域中更新	② target与policy的更新震荡	TRPO/PPO	同上
6	clip重要性采样率ρ	受限重要性采样率	② target与policy的更新震荡	PPO	仅Off-policy
7	Double Q	target中的动作选择	③ target过估计	DDQN/DDPG
8	Bounded Double Q	target最优动作下界	③ target过估计	TD3/SAC
9	Action Distribution	target中的动作选择	③ target过估计	DSAC
10.1	正则化策略熵	策略的探索性	④ 采样效率	A3C
10.2	值函数引入策略熵	策略的探索性	④ 采样效率	SAC
11	Prioritized Sweeping	优先级采样	④ 采样效率	PER-DQN
12	连续动作+Noise	连续动作估值泛化性		Noise DQN/DDPG/TD3
13	Advantage函数	减小方差		Dueling DQN/TRPO/A3C/PPO
14	n-step TD Learing	平衡方差与偏差		PPO
15	资格迹	累计值函数梯度实现Online化

主流Trick应用场景

以下不一定全面，部分可能有遗忘

序号	Trick	DQN	DDQN	Dueling DQN	Noise DQN	PER DQN	DDPG	TD3	TRPO	PPO	DPPO	IMPALA	A3C	SAC	DSAC
1	经验回放	√	√	√	√	√	√	√						√	√
2.1	并行探索 (回传梯度)												√
2.2	并行探索 (回传经历)										√	√
3	分离target网络	√	√	√	√	√	√	√						√	√
4	延迟policy更新							√							√
5	受限policy更新								√	√	√
6	clip重要性 采样率ρ									√	√
7	Double Q		√				√	√						√
8	Bounded Double Q							√						√
9	Action Distribution														√
10.1	正则化策略熵												√
10.2	值函数引入策略熵													√	√
11	Prioritized Sweeping					√
12	连续动作+Noise				√		√	√
13	Advantage函数			√						√	√		√
14	n-step TD Learing									√	√
15	资格迹

2.1 序贯决策导致的非独立同分布问题

【产生原因】序贯探索决策中有些动作频繁被执行，而有些动作几乎从不会被采样。由于训练分布完全依赖于序贯决策样本，导致训练出的数据分布局部化，即与完整状态-动作空间分布不同

【Trick 1】经验回放

• 每次episode，相当于采样每个agent的完整经历，每个agent的经历不同，不同agent的完整经历可视为一个局部分布
• 而经验回放机制就是随机抽取某个agent的某个经历，从而采样到更近似完整state-action空间的分布

【Trick 2】并行探索

2.2 Policy随Target震荡而震荡问题

【产生原因】：由于Target的估计不可避免地存在误差，导致Policy的更新出现震荡

【Trick 3】分离target网络（主要缓解target震荡更新导致的policy震荡问题）

• 背景：target的估计误差，随迭代时间增长而大概率逐渐降低

• target的估计尤其在迭代初期存在较大误差，不如先让其训练一阶段再更新，从而缓解策略震荡问题

• 本质：延迟target更新
  

【Trick 4】延迟policy更新

【Trick 5】受限policy更新

• 动机：由于在策略梯度中，更新策略参数θ，采用线搜索先选方向后选步长，容易选出次优步长，导致更新较差策略，恶性循环。而通过信赖域方法，先确定步长，再确定方向可保证单调性策略变优

【Trick 6】 裁剪重要性采样率ρ

• Off-policy采用的Improtance Sampling ratio不稳定，所以PPO采用Clip操作避免因为ratio分子或分母由于采样有限出现极端数字，导致比率过大或过小，遂采用剪裁Clip把ratio限制在[1 - epsilon, 1 + epsilon]中，增加稳定性
  

2.3 Target过估计从而影响策略问题

【产生原因】： Bellman optimailty Eq中的max操作在实际迭代时由于估计不准而出现最大化偏差(Maximization Bias)

$$Q_{target}(s,a)=R+\underset{a^{\prime }}{\max }Q(s^{\prime },a^{\prime })$$

【Trick 7】 Double Learning思想，本质为按动作分布选取动作，缓解实际迭代中因估计不准而错误地将次优动作Q值作为target的估值带来的偏差问题

【Trick 7】有界Double Q

两者的区别如下图，说白了就是宁愿低估，也不愿高估。但这种trick对该问题的缓解很有限，治标不治本

• 左图—Double Q
• 右图—Bounded Double Q，对于target的估计更加保守
  

【Trick 9】按动作价值分布选取动作，个人理解与Double Q本质相同，但该方法直击本质

2.4 数据采样效率问题

【产生原因】：没有基于历史采样的全部信息作出采样规划

• ①agent需记录历史采样过程形成采样地图
• ②均匀采样
  

【Trick 10】正则化熵：即用策略熵来度量策略的随机性，由于我们希望采样过程中agent尽可能采样到全空间中更多的信息，因此我们更希望agent采样过程中注重探索性采样，即策略的不确定性越大则采样信息越全。为此在RL总目标函数上，我们在累计奖赏基础上加上策略的熵，以希望agent执行更多探索性的动作，采样到更全面的信息

【Trick 11】在每个状态的值函数上增加策略熵

三、典型DRL算法总结

四、典型DRL算法

致谢

感谢李升波教授开设的强化学习课程和PPT