常 田，章宗長，俞 揚

南京大學(xué) 計算機軟件新技術(shù)國家重點實驗室，南京210023

深度強化學(xué)習(xí)（deep reinforcement learning，DRL）在很多有挑戰(zhàn)性的任務(wù)中取得了相當(dāng)大的成功[1-2]。然而，DRL 在訓(xùn)練過程中需要與環(huán)境不斷交互，當(dāng)面對復(fù)雜任務(wù)時，算法的訓(xùn)練需要很長的交互過程，如果對每個任務(wù)從頭開始獨立學(xué)習(xí)，需要大量的時間和數(shù)據(jù)，這導(dǎo)致DRL 在解決實際問題時效率低下。最近，遷移學(xué)習(xí)（transfer learning，TL）被用來解決這樣的問題[3]。TL 通過利用從過去相關(guān)任務(wù)中學(xué)到的先驗知識來加速DRL在新任務(wù)上的學(xué)習(xí)。一類常見的遷移強化學(xué)習(xí)方法是比較源任務(wù)和目標(biāo)任務(wù)的相似度。文獻(xiàn)[4]提出了計算兩個馬爾科夫決策過程相似度的方法，根據(jù)相似度來遷移價值函數(shù)。文獻(xiàn)[5]對馬爾科夫決策過程的相似度進行了擴展，提出根據(jù)N步返回值來度量相似度的方法。另一類方法是估計多個源策略在目標(biāo)任務(wù)上的性能，以此選擇合適的源策略進行遷移。文獻(xiàn)[6]將策略遷移建模為多臂賭博機模型，在目標(biāo)任務(wù)上比較源策略的性能，選擇最高者進行遷移。文獻(xiàn)[7]將策略遷移建模為選項學(xué)習(xí)問題，為每個源策略更新價值和終止概率，然后選擇價值最高的源策略進行遷移。

無論通過什么途徑來評估源策略，此類算法往往無法避免一個共同的問題：對源策略的評估可能不準(zhǔn)。尤其是在訓(xùn)練過程前期，智能體與環(huán)境的交互不夠，對源策略的評估存在較大誤差，不能保證評估值最高的策略一定是適合目標(biāo)任務(wù)的源策略。而一旦選擇了不合適的源策略，就會造成負(fù)遷移。對此一般的方法是通過ε-貪婪來選擇策略，即以1-ε的概率利用，選擇評估最高的策略，以ε的概率探索，任意選擇一個策略。然而，ε-貪婪在進行探索時選擇的策略是隨機的，這沒有利用除最優(yōu)策略外其他源策略的評估信息?；谝陨蠁栴}，本文提出一種隨機集成策略遷移方法（stochastic ensemble policy transfer，SEPT）。方法將策略遷移建模為選項學(xué)習(xí)問題，通過終止概率對所有源策略進行評價。然后根據(jù)評價為它們賦予權(quán)值，根據(jù)權(quán)值集成出教師策略進行遷移。

本文的主要貢獻(xiàn)包括三方面：

（1）提出了一種隨機集成策略遷移方法SEPT，通過在策略庫中生成教師策略來進行遷移；

（2）利用選項學(xué)習(xí)中的終止概率概念為源策略計算概率權(quán)重，和類似的工作相比降低了出現(xiàn)負(fù)遷移的可能性；

（3）在不同的實驗環(huán)境中驗證SEPT，結(jié)果表明SEPT 可以明顯加速強化學(xué)習(xí)的訓(xùn)練，并且超過了之前性能最佳的策略遷移方法。

1 背景知識

在強化學(xué)習(xí)中，智能體與環(huán)境不斷交互，目的是學(xué)習(xí)得到最大回報的動作策略[1]。通常RL以馬爾科夫決策過程（Markov decision process，MDP）為框架，由四元組(S,A,P,R)表示。在每一個離散時刻t中，智能體觀測到狀態(tài)st∈S，選擇執(zhí)行動作at∈A，得到即時獎賞rt～R(st,at)并達(dá)到新的環(huán)境狀態(tài)st+1～P(st,at)。智能體最終尋找一個最優(yōu)策略π*來最大化期望折扣回報U=，其中γ∈[0,1]是折扣因子。

選項（option）的概念由Sutton 等人提出[8]，選項是一種廣義的動作，由初始狀態(tài)集I、策略π和終止函數(shù)β三元組組成。選項只有在I中包含的狀態(tài)下可用，在t時刻執(zhí)行選項o=＜Io,πo,βo＞，就表示從πo(·|st)中獲得一個動作at，然后在t+1時刻以βo(st+1)的概率終止。如果不終止，則繼續(xù)執(zhí)行選項內(nèi)策略提供的動作直到終止。動作價值函數(shù)可以擴展到選項上，即選項價值函數(shù)Qπ(s,o)，它表示在指定的狀態(tài)和選項下的期望回報。這個期望回報對應(yīng)的是從指定狀態(tài)開始，執(zhí)行指定選項直至終止，之后繼續(xù)執(zhí)行策略π的整個過程。

集成學(xué)習(xí)（ensemble learning）是一類常用的機器學(xué)習(xí)方法[9]。這類方法構(gòu)建若干個個體學(xué)習(xí)器，然后通過一定策略將它們結(jié)合，最后獲得一個優(yōu)于個體學(xué)習(xí)器的強學(xué)習(xí)器。

2 策略遷移相關(guān)工作

策略遷移問題指給定一組源任務(wù)M1,M2,…,MK和對應(yīng)的專家策略，在目標(biāo)任務(wù)上，學(xué)生策略π通過從源策略中遷移知識來幫助學(xué)習(xí)，其中1 ≤i≤K[10]。

早期的策略遷移工作中往往研究一對一的遷移，即K=1。此類方法需要假設(shè)源策略在目標(biāo)任務(wù)上也是接近最優(yōu)的，而這個假設(shè)在復(fù)雜場景中不太可能滿足。最近的工作主要研究一對多的策略遷移問題。在這種問題中，每一個源策略可能只在某些時刻對目標(biāo)任務(wù)有效，因此相關(guān)工作的研究關(guān)鍵在于如何選擇當(dāng)前時刻最適合于目標(biāo)任務(wù)的策略。Li等人[11]和Yang 等人[7]分別提出了利用選項進行策略遷移的方法CAPS（context aware policy reuse）和PTF（policy transfer framework）。兩種方法都將策略遷移建模為選項學(xué)習(xí)問題，估計出選項的價值，選擇價值最高的選項對應(yīng)的源策略進行遷移。然而，選項的價值估計會有誤差，任務(wù)場景越復(fù)雜價值估計的誤差會越大，直接根據(jù)價值進行選擇可能會誤選到不適合目標(biāo)任務(wù)的源策略，造成負(fù)遷移。因此，本文提出的SEPT 方法旨在降低選項價值估計誤差帶來的負(fù)面影響。

3 隨機集成策略遷移方法

3.1 方法總覽

圖1 為SEPT 算法框架。與PTF 一樣，在SEPT中，智能體用于策略更新的方法不受限制，既可以使用值函數(shù)方法，也可以使用策略梯度方法。首先，SEPT 將源策略庫中的每一個策略設(shè)置為選項，用神經(jīng)網(wǎng)絡(luò)生成其終止概率。之后通過以下流程進行訓(xùn)練：智能體與環(huán)境進行交互學(xué)習(xí)策略，交互結(jié)束時將狀態(tài)轉(zhuǎn)移四元組(s,a,r,s′)存入回放池里；利用回放池的數(shù)據(jù)更新源策略對應(yīng)選項的終止概率網(wǎng)絡(luò)；終止概率網(wǎng)絡(luò)輸出當(dāng)前狀態(tài)對應(yīng)的各選項的終止概率，利用終止概率計算每個源策略的概率權(quán)重；根據(jù)概率權(quán)重，將源策略集成為教師策略；教師策略對智能體的策略進行策略蒸餾[12]，實現(xiàn)知識遷移，智能體策略完成更新，至此一輪訓(xùn)練結(jié)束，重復(fù)執(zhí)行訓(xùn)練流程。接下來將從選項終止概率更新、集成教師策略和策略蒸餾與更新三方面具體說明。

圖1 隨機集成策略遷移框架Fig.1 Framework of stochastic ensemble policy transfer

3.2 選項終止概率更新

在智能體與環(huán)境交互過程中，狀態(tài)轉(zhuǎn)移四元組(s,a,r,s′)被存儲到回放池以用來更新選項價值函數(shù)和終止概率。對選項進行調(diào)用的動作模式是選擇價值最高的選項進行調(diào)用，直到基于終止概率終止其調(diào)用，然后根據(jù)價值重新選擇一個選項。

根據(jù)文獻(xiàn)[8]，基于這種動作模式從所有選項O中調(diào)用選項o的期望回報U*(s′,o)為：

對U求終止概率參數(shù)θβ的梯度[13]：

其中，μO(s′,o|s1,o0)為從初始狀態(tài)(s1,o0)到(s′,o)的轉(zhuǎn)移概率，無法直接求出，只能通過采樣估計。根據(jù)文獻(xiàn)[11]的討論，此項可以省略?；谑剑?）和式（2），下面提出更新選項價值函數(shù)QO和終止概率參數(shù)θβ的算法，其中αQ為更新QO的學(xué)習(xí)率，αβ為更新θβ的學(xué)習(xí)率。

算法1更新QO(s,o)和θβ

3.3 集成教師策略

選擇選項價值最高的選項進行利用的方式在遷移任務(wù)中有一定的缺陷。這是因為選項的價值估計依賴于智能體提供的回放池里的信息，而這只包括整個環(huán)境信息的一小部分，僅憑這些信息顯然無法對環(huán)境有完整的認(rèn)識。因此，選項價值估計往往存在較大誤差，以至于價值最高的選項對應(yīng)的策略可能并非最優(yōu)策略。

為了解決這個問題，提出了集成教師策略的方法。SEPT 并不選擇一個策略進行遷移，而是從策略庫中新生成一個教師策略πT，這個教師策略是各個選項內(nèi)策略的集成。對于選項o，終止概率βo表示停止調(diào)用選項o的概率。顯然，1-βo表示繼續(xù)調(diào)用選項o的概率，這項數(shù)值越高，說明對應(yīng)的選項相對于其他選項越可靠。本文用ρo來表示選項的可靠程度，ρo=1-βo。根據(jù)ρo來計算教師策略中選項o的概率權(quán)重可以降低價值估計的方差帶來的負(fù)面影響。

接下來，本文使用Softmax來生成各個選項的概率權(quán)重Wo，即：

其中，T為溫度參數(shù)，溫度越大，得到的概率分布越平滑；溫度越小則得到的概率分布越尖銳。得到教師策略πT后，πT會根據(jù)概率權(quán)重Wo選擇一個選項o，然后輸出選項內(nèi)策略πo的動作概率分布。

3.4 策略蒸餾與更新

在得到教師策略輸出的動作概率分布后，通過策略蒸餾[12]的方法向?qū)W生策略進行遷移。蒸餾的概念由Hinton等人提出[14]，指一種通過讓學(xué)生模型模仿教師模型的輸出來進行知識遷移的監(jiān)督學(xué)習(xí)方法。在策略蒸餾中，學(xué)生策略πs會盡可能減少其與教師策略πT在輸出動作分布上的差別。具體地，設(shè)學(xué)生策略上采集的狀態(tài)序列為軌跡τ，學(xué)生策略的梯度為下式：

其中，H為交叉熵，τt為軌跡τ在t時刻的狀態(tài)。

在SEPT 中，智能體的策略在通過RL 學(xué)習(xí)的同時也通過策略蒸餾加速學(xué)習(xí)。這里采用Schmitt等人提出的方法[15]，將策略蒸餾的損失和RL 的損失一同用來更新智能體策略參數(shù)θt：

其中，αRL表示RL 的學(xué)習(xí)率，αT表示策略蒸餾的學(xué)習(xí)率。在αT的設(shè)置上參考了PTF[7]的做法，設(shè)置了以訓(xùn)練輪數(shù)為輸入的函數(shù)f(t)=0.5+tanh(3-0.001×t)/2作為動態(tài)學(xué)習(xí)率。這樣，在訓(xùn)練早期，智能體的策略還不完善時，智能體更傾向于學(xué)習(xí)教師策略；而隨著訓(xùn)練時間逐漸變長，智能體本身的策略趨近完善，則減小教師策略的影響。

4 實驗與討論

為驗證本文算法性能，本章在同類型工作中常用的兩種環(huán)境進行實驗，分別是Gym[16]中的Gridworld和Pinball。本文比較了SEPT 和當(dāng)前表現(xiàn)最好的遷移強化學(xué)習(xí)方法PTF的性能，兩者的智能體算法設(shè)定為A3C[17]。為了保證公平性，PTF的超參數(shù)全部按其論文提供的進行設(shè)置。同時也用A3C作為基線來進行對比，以便確認(rèn)遷移是否有效果。

4.1 Gridworld環(huán)境

在Gridworld 實驗里，智能體在柵格世界中隨機選擇一點出發(fā)，目標(biāo)是走到指定的終點。Gridworld是離散環(huán)境，智能體的動作空間為上下左右，表示智能體向指定的方向移動一格。狀態(tài)空間為智能體坐標(biāo)與周圍一格距離內(nèi)墻的分布。在Gridworld中設(shè)定了四個不同終點的源任務(wù)，在這四個源任務(wù)上訓(xùn)練了四個策略作為源策略庫以供遷移。

一般來說，源任務(wù)與目標(biāo)任務(wù)越相似，遷移難度越小。設(shè)計了兩組遷移難度不同的場景進行實驗。簡單場景中有一個源任務(wù)與目標(biāo)任務(wù)較為相似，即兩者的終點距離很近，遷移難度比較??；困難場景中所有源任務(wù)的終點與目標(biāo)任務(wù)都相距較遠(yuǎn)，遷移難度比較大。如圖2 和圖3 所示，黑色部分代表墻，四個藍(lán)色的點代表源任務(wù)的終點，紅色的點代表目標(biāo)任務(wù)終點。

圖2 Gridworld上的簡單場景Fig.2 Simple scenario on Gridworld

圖3 Gridworld上的困難場景Fig.3 Hard scenario on Gridworld

實驗中，智能體的單輪最大步數(shù)為99，回報折扣率γ設(shè)置為0.99，選項更新的學(xué)習(xí)率αβ設(shè)置為1×10-3，智能體策略更新學(xué)習(xí)率αRL設(shè)置為3×10-4，生成權(quán)重的溫度T設(shè)定為1。最后結(jié)果為圖4和圖5。

圖4 簡單場景上的折扣回報Fig.4 Discount return on simple scenario

圖5 困難場景上的折扣回報Fig.5 Discount return on hard scenario

4.2 Pinball環(huán)境

在Pinball 環(huán)境中，智能體控制一個彈球通過一個由各種多邊體障礙物組成的迷宮，到達(dá)指定的終點。Pinball是連續(xù)環(huán)境，彈球的動作空間為水平方向和垂直方向的加速度，狀態(tài)空間為彈球的坐標(biāo)和速度。具體如圖6所示，藍(lán)點為彈球，紅點為指定終點。

圖6 Pinball環(huán)境Fig.6 Pinball scenario

以左上角、右上角和右下角為終點設(shè)置了三個源任務(wù)，并訓(xùn)練策略作為源策略庫以供遷移。實驗中，智能體的單輪最大步數(shù)為500，回報折扣率γ設(shè)置為0.99，選項更新的學(xué)習(xí)率αβ設(shè)置為1×10-3,智能體策略更新學(xué)習(xí)率αRL設(shè)置為3×10-4，生成權(quán)重的溫度T設(shè)定為0.25。最后結(jié)果為圖7。

圖7 Pinball場景上的折扣回報Fig.7 Discount return on Pinball scenario

從結(jié)果來看，比起其他方法，SEPT性能上有明顯提升。這是因為彈球環(huán)境比較復(fù)雜且狀態(tài)空間是連續(xù)的，選項價值估計會有比較大的誤差，智能體會經(jīng)常選中不合適的源策略，導(dǎo)致遷移效果較小甚至出現(xiàn)負(fù)遷移。而SEPT的教師策略受影響較小，能夠持續(xù)進行正向遷移。

5 結(jié)束語

本文提出了一種隨機集成策略遷移方法SEPT。這種遷移強化學(xué)習(xí)方法將源策略設(shè)置為選項并對選項進行持續(xù)更新。之后根據(jù)選項的終止概率生成每個選項內(nèi)策略對應(yīng)的概率權(quán)重，集成出教師策略，利用教師策略來指導(dǎo)學(xué)生策略進行學(xué)習(xí)。實驗表明SEPT 的性能超過了已有的策略遷移方法，能明顯加速智能體的訓(xùn)練。