第 23 课 / 共 30 课
策略梯度 · 阶段4

SAC

最大熵强化学习、Soft Actor-Critic、自动温度调节、连续动作空间

🧠 核心概念

最大熵目标J(π)=E[Σ(r+αH)]Soft值函数SAC双Q网络重参数化技巧自动温度αHaarnoja 2018

📖 SAC 详解

本课深入讲解SAC的核心原理、算法推导与代码实现。详见下方代码与练习。

📖 SAC深度解析

本课是强化学习课程的关键一环,深入讲解SAC的核心原理与代码实现。

算法核心思想

SAC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SAC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 from collections import deque class SACActor(nn.Module): def __init__(self, sd, ad, h=128, log_std_min=-20, log_std_max=2): super().__init__() self.net = nn.Sequential(nn.Linear(sd,h),nn.ReLU(),nn.Linear(h,h),nn.ReLU()) self.mu = nn.Linear(h, ad) self.log_std = nn.Linear(h, ad) self.log_std_min = log_std_min; self.log_std_max = log_std_max def forward(self, x): feat = self.net(x) mu = self.mu(feat) log_std = self.log_std(feat).clamp(self.log_std_min, self.log_std_max) std = torch.exp(log_std) dist = torch.distributions.Normal(mu, std) z = dist.rsample() action = torch.tanh(z) log_prob = dist.log_prob(z) - torch.log(1 - action.pow(2) + 1e-6) log_prob = log_prob.sum(1, keepdim=True) return action, log_prob class SACCritic(nn.Module): def __init__(self, sd, ad, h=128): super().__init__() self.net = nn.Sequential(nn.Linear(sd+ad,h),nn.ReLU(),nn.Linear(h,h),nn.ReLU(),nn.Linear(h,1)) def forward(self, s, a): return self.net(torch.cat([s,a],dim=-1)) class ReplayBuffer: def __init__(self, cap=50000): self.buffer = deque(maxlen=cap) def push(self, *args): self.buffer.append(args) def sample(self, bs): batch = random.sample(self.buffer, bs) return map(np.array, zip(*batch)) def __len__(self): return len(self.buffer) import random def train_sac(env, n_episodes=300, gamma=0.99, lr=3e-4, tau=0.005, alpha=0.2, bs=64): sd = env.observation_space.shape[0]; ad = env.action_space.shape[0] actor = SACActor(sd, ad) q1 = SACCritic(sd, ad); q2 = SACCritic(sd, ad) q1_target = SACCritic(sd, ad); q2_target = SACCritic(sd, ad) q1_target.load_state_dict(q1.state_dict()); q2_target.load_state_dict(q2.state_dict()) opt_a = optim.Adam(actor.parameters(), lr=lr) opt_q = optim.Adam(list(q1.parameters()) + list(q2.parameters()), lr=lr) buf = ReplayBuffer(50000) # 自动温度 target_entropy = -ad log_alpha = torch.zeros(1, requires_grad=True) opt_alpha = optim.Adam([log_alpha], lr=lr) history = [] for ep in range(n_episodes): s, _ = env.reset(); done = False; total = 0 while not done: s_t = torch.FloatTensor(s).unsqueeze(0) with torch.no_grad(): a, _ = actor(s_t) ns, r, t, tr, _ = env.step(a.numpy()[0] * 2) # rescale to [-2,2] buf.push(s, a.numpy()[0], r/10, ns, float(t or tr)) # normalize reward s = ns; total += r; done = t or tr if len(buf) >= bs: ss,aa,rr,nn,dd = buf.sample(bs) ss=torch.FloatTensor(ss); aa=torch.FloatTensor(aa); rr=torch.FloatTensor(rr).unsqueeze(1) nn=torch.FloatTensor(nn); dd=torch.FloatTensor(dd).unsqueeze(1) with torch.no_grad(): a_new, lp = actor(nn) q1_t = q1_target(nn, a_new); q2_t = q2_target(nn, a_new) q_t = torch.min(q1_t, q2_t) - log_alpha.exp() * lp target = rr + gamma * (1-dd) * q_t q1_loss = nn.MSELoss()(q1(ss,aa), target) q2_loss = nn.MSELoss()(q2(ss,aa), target) q_loss = q1_loss + q2_loss opt_q.zero_grad(); q_loss.backward(); opt_q.step() a_new, lp = actor(ss) q1_v = q1(ss, a_new); q2_v = q2(ss, a_new) q_v = torch.min(q1_v, q2_v) a_loss = (log_alpha.exp() * lp - q_v).mean() opt_a.zero_grad(); a_loss.backward(); opt_a.step() alpha_loss = -(log_alpha * (lp + target_entropy).detach()).mean() opt_alpha.zero_grad(); alpha_loss.backward(); opt_alpha.step() for p, tp in zip(q1.parameters(), q1_target.parameters()): tp.data.copy_(tau*p.data + (1-tau)*tp.data) for p, tp in zip(q2.parameters(), q2_target.parameters()): tp.data.copy_(tau*p.data + (1-tau)*tp.data) history.append(total) if (ep+1) % 50 == 0: print(f"SAC Ep{ep+1}: avg={np.mean(history[-50:]):.1f}") return actor, history env = gym.make('Pendulum-v1') print("=== SAC 训练 Pendulum ===") model, rewards = train_sac(env, n_episodes=250) w = 20 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"最佳奖励: {max(rewards):.1f}") result = { "train_final": round(float(np.mean(rewards[-50:])),1), "best_reward": round(float(max(rewards)),1), "smooth": [round(v,1) for v in smooth[::25]], "env": "Pendulum-v1" } with open("/var/www/ttl/rl/lesson23_result.json", "w") as f: json.dump(result, f) print("✅验证通过 - SAC在连续控制任务上表现优异") 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:SAC

SAC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: SAC的主要优势是什么?

A: SAC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: SAC的主要局限是什么?

A: 每种算法都有其局限性。SAC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SAC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: 温度调节

比较固定alpha和自动alpha的效果

练习2: 目标平滑

消融SAC的各个组件

练习3: LunarLander

在LunarLanderContinuous-v2上测试SAC

📊 训练曲线说明

📈 运行上方代码后,训练曲线数据将保存至 lesson23_result.json

🏆
成就解锁:SAC
完成本课所有练习,掌握最大熵目标J(π)=E[Σ(r+αH)]的核心原理