DPPO

在ppo基础上的优化

1.在状态中加入了RNN，能够兼顾观察状态的时序性，更加适用与POMDP问题

2.在回报计算中使用了K步奖励法

3.对原来的数据进行归一化

DPPO框架含有一个chief线程，和多个worker线程。多个worker进程可以并行运行

• 全局只有一个共享梯度区和共享PPO模型
• 不同的worker中还有自己的局部PPO模型和局部环境

局部PPO模型的作用：worker使用PPO策略和局部环境进行互动获得数据，并在更新中计算梯度

A3C

我们先看看经典的A3C[1]架构图。

架构图分为两个主要部分：Global Network（全局网络）和 worker（工人）

其实Global network和 worker都是一模一样的AC结构网络。全局网络并不直接参加和环境的互动，工人与环境有直接的互动，并且把学习到的东西，汇报给全局网络。

这有点像一个班长和同学之间的故事。

邪恶的老师给聪明的班长一个任务，让班长一天之内交出一份十万字的莎士比亚全集的读书心得。

这怎么可能？但班长深得班里同学们喜爱。班长决定发动全体同学来完成这个任务。

但怎么分配任务呢？

聪明的班长给每个同学一套莎士比亚全集，然后公布了任务分配的规则：

1. 同学们就随便看任何一个你们感兴趣的段落就可以了，就算是重复了也没关系；

2. 但同学们需要把读过的提炼成心得，每隔一段时间汇报给班长；

3. 班长会负责汇总大家的心得; 但同学提交自己的心得之后，要看一下当前被汇总的最新版本的心得，因为这是集体的智慧，有助于大家提高阅读水平。

4. 最后，班长会把最新版本的心得提交给老师。

邪恶的老师看到这篇凝聚了大众智慧的读书心得，感动得流下泪水。而这位聪明的班长在毕业后投身AI事业，发明出A3C算法。

…故事我编不下去了…

相信大家在这个故事中，已经对A3C的思路有个大致的想法。其中有几点需要大家注意的。

在A3C中，worker不仅要和环境互动，产生数据，而且要自己从这些数据里面学习到“心得”。这里的所谓新的，其实就是计算出来的梯度；

需要强调的是，worker向全局网络汇总的是梯度，而不是自己探索出来的数据。

2.GA3C(使用GPU版本的A3C)

• Agent，环境交互接口
• Predictor：状态->动作
• Trainer：训练任务

D4PG

将Actor和Learner分开，经验收集分布式化。

Learner部分是一个完整的DDPG架构，但是它只负责训练学习，不与环境进行互动

IMPALA

最佳的异步强化学习框架（Importance Weighted Actor-Learner Architectural）

痛点：强化学习数据采样效率太低，而且强化学习需要的数据过多（依赖过拟合）

将Agent和Predictor合成一体，由分布式Actor直接执行策略并记录轨迹（数据），然后送给Leaner去训练

Apex-X

将行为和学习分开，可以生成更多的数据并按照优先级进行采样

参考资料：

[1]作者：张斯俊
链接：https://zhuanlan.zhihu.com/p/111336330
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

[2]《深度强化学习学术前沿与应用》