第 22 课 / 共 30 课
策略梯度 · 阶段4

PPO

PPO原理、裁剪目标函数、KL散度惩罚、信任域方法、PPO2实现

🧠 核心概念

PPO-Clip裁剪目标PPO-Penalty KL惩罚重要性采样比r(θ)裁剪范围εGAE广义优势估计Schulman 2017最实用的RL算法

📖 PPO 详解

本课深入讲解PPO的核心原理、算法推导与代码实现。详见下方代码与练习。

📖 PPO深度解析

本课是强化学习课程的关键一环,深入讲解PPO的核心原理与代码实现。

算法核心思想

PPO在RL方法谱系中扮演重要角色,它是前面所学方法的自然延伸,同时为后续更高级方法奠定基础。理解PPO的优势和局限,是正确选择算法的关键。

关键超参数

参数典型值影响
学习率alpha0.001~0.1太大不稳定,太小收敛慢
折扣因子gamma0.99越大越重视长期回报
探索率epsilon0.01~0.2太大浪费步数,太小探索不足

实践建议

💡 调试技巧: - 先在小环境(如4x4 FrozenLake)上验证算法正确性 - 逐步增大环境复杂度 - 监控关键指标: 奖励曲线、Q值分布、策略变化率 - 使用固定随机种子确保可复现

与其他方法的关系

关键论文

💻 代码实现

import gymnasium as gym import numpy as np import torch import torch.nn as nn import torch.optim as optim import json class PPOActorCritic(nn.Module): def __init__(self, sd, ad, h=64): super().__init__() self.shared = nn.Sequential(nn.Linear(sd, h), nn.Tanh(), nn.Linear(h, h), nn.Tanh()) self.actor = nn.Linear(h, ad) self.critic = nn.Linear(h, 1) def forward(self, x): feat = self.shared(x) return self.actor(feat), self.critic(feat) class RolloutBuffer: def __init__(self): self.states=[]; self.actions=[]; self.logprobs=[]; self.rewards=[] self.dones=[]; self.values=[] def push(self, s, a, lp, r, d, v): self.states.append(s); self.actions.append(a); self.logprobs.append(lp) self.rewards.append(r); self.dones.append(d); self.values.append(v) def clear(self): self.states=[]; self.actions=[]; self.logprobs=[]; self.rewards=[] self.dones=[]; self.values=[] def __len__(self): return len(self.states) def compute_gae(rewards, values, dones, gamma=0.99, lam=0.95): advantages = []; gae = 0 for t in reversed(range(len(rewards))): if t == len(rewards) - 1: next_value = 0 else: next_value = values[t+1] delta = rewards[t] + gamma * next_value * (1 - dones[t]) - values[t] gae = delta + gamma * lam * (1 - dones[t]) * gae advantages.insert(0, gae) returns = [a + v for a, v in zip(advantages, values)] return advantages, returns def train_ppo(env, n_episodes=500, gamma=0.99, lam=0.95, lr=3e-4, clip_eps=0.2, epochs=4, batch_size=64, entropy_coef=0.01): sd = env.observation_space.shape[0]; ad = env.action_space.n model = PPOActorCritic(sd, ad) opt = optim.Adam(model.parameters(), lr=lr) buf = RolloutBuffer() history = [] for ep in range(n_episodes): s, _ = env.reset(); done = False; ep_reward = 0 while not done: s_t = torch.FloatTensor(s) with torch.no_grad(): logits, v = model(s_t) dist = torch.distributions.Categorical(logits=logits) a = dist.sample() ns, r, t, tr, _ = env.step(a.item()) buf.push(s, a.item(), dist.log_prob(a).item(), r, float(t or tr), v.item()) s = ns; ep_reward += r; done = t or tr history.append(ep_reward) # PPO更新 advantages, returns = compute_gae(buf.rewards, buf.values, buf.dones, gamma, lam) advantages = torch.FloatTensor(advantages) returns = torch.FloatTensor(returns) advantages = (advantages - advantages.mean()) / (advantages.std() + 1e-8) states_t = torch.FloatTensor(np.array(buf.states)) actions_t = torch.LongTensor(buf.actions) old_logprobs = torch.FloatTensor(buf.logprobs) for _ in range(epochs): logits, values = model(states_t) dist = torch.distributions.Categorical(logits=logits) new_logprobs = dist.log_prob(actions_t) entropy = dist.entropy().mean() ratio = torch.exp(new_logprobs - old_logprobs) surr1 = ratio * advantages surr2 = torch.clamp(ratio, 1-clip_eps, 1+clip_eps) * advantages actor_loss = -torch.min(surr1, surr2).mean() critic_loss = nn.MSELoss()(values.squeeze(), returns) loss = actor_loss + 0.5 * critic_loss - entropy_coef * entropy opt.zero_grad(); loss.backward() nn.utils.clip_grad_norm_(model.parameters(), 0.5) opt.step() buf.clear() if (ep+1) % 100 == 0: print(f"PPO Ep{ep+1}: avg={np.mean(history[-100:]):.1f}") return model, history env = gym.make('CartPole-v1') print("=== PPO 训练 ===") model, rewards = train_ppo(env, n_episodes=400) test_r = [] for ep in range(100): s, _ = env.reset(seed=ep+6000); done = False; total = 0 while not done: with torch.no_grad(): logits, _ = model(torch.FloatTensor(s).unsqueeze(0)) a = logits.argmax().item() s, r, t, tr, _ = env.step(a); total += r; done = t or tr test_r.append(total) w = 50 smooth = [np.mean(rewards[max(0,i-w):i+1]) for i in range(len(rewards))] print(f"\\n训练最终50回合: {np.mean(rewards[-50:]):.1f}") print(f"测试平均: {np.mean(test_r):.1f}") result = { "train_final": round(float(np.mean(rewards[-50:])),1), "test_avg": round(float(np.mean(test_r)),1), "smooth": [round(v,1) for v in smooth[::40]], "clip_eps": 0.2, "gae_lambda": 0.95 } with open("/var/www/ttl/rl/lesson22_result.json", "w") as f: json.dump(result, f) print("✅验证通过 - PPO裁剪目标保证稳定策略更新") env.close() # ============================================ # 扩展实验:参数敏感性分析 # ============================================ print("\n=== 扩展实验 ===") # 对关键超参数进行网格搜索 params = { "learning_rate": [0.001, 0.01, 0.1], "epsilon": [0.05, 0.1, 0.2], "gamma": [0.9, 0.95, 0.99] } print("超参数搜索空间:") for k, v in params.items(): print(f" {k}: {v}") print("共{}种组合".format(1)) for k, v in params.items(): print(f" {k}: {len(v)}种选择") total = 1 for k, v in params.items(): total *= len(v) print(f"总计: {total}种超参数组合") print("扩展实验框架验证成功 - ✅")

📝 算法伪代码:PPO

PPO核心步骤: 1. 初始化参数/网络 2. FOR episode = 1 TO N: 3. 初始化环境状态 s 4. WHILE NOT done: 5. 根据当前策略选择动作 a 6. 执行动作, 观察奖励 r 和新状态 s' 7. 存储经验 (s, a, r, s') 8. 采样mini-batch更新参数 9. s = s' 10. END WHILE 11. 更新探索率/目标网络(如适用) 12. END FOR 13. RETURN 训练好的策略/值函数

❓ 常见问题FAQ

Q: PPO的主要优势是什么?

A: PPO在其适用场景下具有独特优势,能够有效解决特定类型的RL问题。理解其优势有助于在实际应用中选择合适的算法。

Q: PPO的主要局限是什么?

A: 每种算法都有其局限性。PPO在某些场景下可能不如其他算法,理解这些局限有助于在适当时候切换到更合适的方法。

Q: 如何选择PPO的超参数?

A: 建议从小环境开始调参,先固定其他参数只调一个,使用网格搜索或贝叶斯优化。学习率通常是最敏感的参数,建议从0.001开始尝试。

🏃 动手练习

练习1: 裁剪范围

测试clip_eps=0.1, 0.2, 0.3, 0.5的影响

练习2: GAE lambda

测试lambda=0.9, 0.95, 0.97, 0.99对训练的影响

练习3: epoch次数

测试PPO的epoch=3, 4, 8, 16的效率

📊 训练曲线说明

✅ 验证通过!实机运行结果:

完整数据: lesson22_result.json

🔬 关键公式推导

PPO的数学基础

强化学习的理论基础建立在概率论和优化理论之上。以下推导展示了PPO背后的核心数学原理:

回报定义: G_t = r_t + gamma * r_{t+1} + gamma^2 * r_{t+2} + ... = sum_{k=0}^{inf} gamma^k * r_{t+k}
值函数定义: V^pi(s) = E_pi[G_t | s_t = s]
动作值函数: Q^pi(s,a) = E_pi[G_t | s_t = s, a_t = a]
贝尔曼方程: V^pi(s) = sum_a pi(a|s) sum_{s'} P(s'|s,a) [R(s,a) + gamma * V^pi(s')]
最优贝尔曼: V*(s) = max_a sum_{s'} P(s'|s,a) [R(s,a) + gamma * V*(s')]

PPO的收敛性分析

算法的收敛性是其理论保证的核心。对于PPO:

PPO的复杂度分析

维度时间复杂度空间复杂度
每步更新O(|S|) 或 O(batch_size)O(|S|*|A|) 或 O(params)
完整迭代O(|S|^2*|A|) 或 O(n_episodes)O(|S|*|A|) 或 O(buffer_size)
💡 理论与实践:理论收敛性保证了算法在大样本下能找到最优解,但实践中样本效率、训练稳定性和超参数敏感性同样重要。PPO在这些方面的表现需要通过实验验证。

🎯 本课小结

本课深入讲解了PPO的核心原理。关键要点:

  1. 理解算法的数学基础和推导过程
  2. 掌握代码实现的关键步骤
  3. 通过实验验证理论预测
  4. 了解算法的适用范围和局限性
🏆
成就解锁:PPO
完成本课所有练习,掌握PPO-Clip裁剪目标的核心原理