青岛响应式网站开发泉州模板开发建站

A3C算法（ Asynchronous Methods for Deep Reinforcement Learning）于2016年被谷歌DeepMind团队提出。A3C是一种非常有效的深度强化学习算法，在围棋、星际争霸等复杂任务上已经取得了很好的效果。接下来，我们先从A3C的名称入手，去解析这个算法。

Diagram of A3C high-level architecture.
A3C代表了异步优势动作评价（Asynchronous Advantage Actor Critic）

• 异步（Asynchronous）：因为算法涉及并行执行一组环境。与DQN不同，DQN中单个神经网络代表的单个智能体与单个环境交互，而A3C利用上述多个化身来更有效地学习。在A3C中，有一个全局网络（global network）和多个工作智能体（worker），每个智能体都有自己的网络参数集。这些智能体中的每一个都与它自己的环境副本交互，同时其他智能体与它们的环境交互（并行训练）。这比单个智能体（除了加速完成更多工作）更好的原因在于，每个智能体的经验独立于其他智能体的经验。这样，可用于训练的整体经验多样化。

• 优势（Advantage）：因为策略梯度的更新使用优势函数

• 动作评价（Actor Critic）：因为这是一种动作评价（actor-critic）方法，它涉及一个在学得的状态值函数帮助下进行更新的策略$$\begin{array}{c}{\nabla }_{{\theta }^{\prime }}\log \pi (a_t|s_t;{\theta }^{\prime })A(s_t,a_t;{\theta }_v)\\ \\ A(s_t,a_t;{\theta }_v)=\sum _{i=0}^{k-1}{\gamma }^i{r}_{t+i}+{\gamma }^{k}V(s_{t+k};{\theta }_v)-V(s_t;{\theta }_v)\end{array}$$

  • 可以用$k$步的bootstrap进行更新。

---

下图是一个基于16个环境平行训练的图示说明。

Actor-Critic Methods: A3C and A2C
A3C图示说明

• 16个并行环境
• $\theta$指的是策略的参数（actor），${\theta }_v$指的是值函数的参数（critic），两者梯度分别更新，$\alpha$和${\alpha }_v$则是相应的学习率。
• 该算法为了鼓励探索，在策略更新中加入了一个熵奖励正则化项（嵌入在$d\theta$中）。
• 使用Hogwild!作为更新方法。Hogwild!是一种并行更新的方法，其中多个线程可能会同时更新共享参数。这种并行更新可能会导致线程间的冲突，但在这里作者认为这不会造成太大问题。
• 在计算策略的优势时，算法采用了前向视角（forward view）的n步回报，而不是后向视角（backward view）。前向视角与后向视角的区别在于如何计算多步的奖励。后向视角的计算需要用到资格迹（eligibility traces），详情参考Sutton的圣经。

---

A3C算法伪代码

A3C算法实现

Simple Reinforcement Learning with Tensorflow Part 8: Asynchronous Actor-Critic Agents (A3C)

1. 每个worker从global network复制参数
2. 不同的worker与环境去做互动
3. 不同的worker计算出各自的gradient
4. 不同的worker把各自的gradient传回给global network
5. global network接收到gradient后进行参数更新

Tensorflow版本代码

代码结构：

• AC_Network这个类包含了创建网络本身的所有Tensorflow操作。
• Worker这个类包含了AC_Network的一个副本，一个环境类，以及与环境交互和更新全局网络的所有逻辑。
• 用于建立Worker实例并并行运行它们的高级代码。

Pytorch版本代码

参考了莫烦python——https://github.com/MorvanZhou/pytorch-A3C/tree/master
以及https://github.com/cyoon1729/Policy-Gradient-Methods/blob/master/a3c/a3c.py
（代码基于gymnasium去做的，但还有些问题，之后修改完再放出来），下面是运行上述代码中产生的问题：

1. 莫烦python理想的结果如下所示
   
   但在实际运行中出现下面两幅图的情况，reward达到峰值后迅速下降，猜测可能是worker学习到不好的策略，同步给global，使得原本好的策略持续变坏?

另一个版本的代码收敛较快，运行良好。也是利用交叉熵去作为正则化项的。

w0 | episode: 978 391.0
w5 | episode: 979 396.0
w3 | episode: 980 399.0
w7 | episode: 981 500.0
w4 | episode: 982 383.0
w1 | episode: 983 500.0
w6 | episode: 984 500.0
w2 | episode: 985 500.0
w0 | episode: 986 500.0
w5 | episode: 987 500.0
w3 | episode: 988 500.0
w4 | episode: 989 500.0
w7 | episode: 990 500.0
w1 | episode: 991 500.0
w6 | episode: 992 500.0
w2 | episode: 993 500.0
w0 | episode: 994 500.0
w5 | episode: 995 500.0
w3 | episode: 996 500.0
w7 | episode: 997 500.0
w4 | episode: 998 500.0
w1 | episode: 999 500.0
w6 | episode: 1000 500.0

参考

[1] 伯禹AI
[2] https://www.davidsilver.uk/teaching/
[3] 动手学强化学习
[4] Reinforcement Learning
[5] Asynchronous Methods for Deep Reinforcement Learning
[6] 第9章演员-评论员算法
[7] Simple Reinforcement Learning with Tensorflow Part 8: Asynchronous Actor-Critic Agents (A3C)
[8] Actor-Critic Methods: A3C and A2C
[9] https://mofanpy.com/tutorials/machine-learning/reinforcement-learning/intro-A3C