15年OpenAI发表了TRPO算法，一直策略单调提升的算法；17年DeepMind基于TRPO发表了一篇Distributed-PPO，紧接着OpenAI发表了这篇PPO。可以说TRPO是PPO的前身，PPO在TRPO的基础上进行改进，使得算法可读性更高，实操性更强。
论文地址，点这里
有关TRPO的论文解读，可参考我的另一篇论文笔记之TRPO
PPO作为目前比较火热的model-free类强化学习算法，在许多环境中取得了不错的效果，因此是有必要去学习的。

论文解读参考：
①OpenAI PPO强化学习算法解读
②TRPO和PPO（下）
③强化学习笔记（五）–PPO
④PPO
⑤TRPO与PPO

Note：

1. 关于PPO，网上最大的争议点在于是否是Off-policy算法？答：PPO是On-policy算法，虽然其引入了IS因子修正，但是用于采样的策略是旧策略${\pi }_{old}$(或者说当前策略)，然后用这些样本去更新当前策略${\theta }_{old}\to \theta$，用来学习并成为最终策略的策略叫目标策略，故采样策略和目标策略都是同一个${\theta }_{old}$，因此PPO就是On-policy算法。和DDPG这类算法不同，虽然说从头至尾都用一个网络符号${\pi }_{\theta }$来表示策略，但是更新前后是有区别的，DDPG用来更新当前策略的样本来自于经验池，池子里的样本是由许多个之前不同的行为策略产生的，也就是说学习所用的数据“离开”了待学习的目标策略，因此DDPG是Off-policy的。再比如说Q-learning就更明显了，直接摆明有2个策略：$greedy$和$ϵ-greedy$策略。因此可以说Off-policy算法一般都会使用IS技术，但使用IS技术的不一定是Off-policy。
2. TRPO和PPO都是为了解决策略梯度算法中学习率大小的算法，只不过PPO实现起来更加简便，效果也更好。
3. Proximal(近端)个人认为应该指的是策略网络参数的更新是在约束范围内进行，因为有一个范围在，这个范围直觉上感觉很小，所以称之为近端。
4. PPO有2个版本：一个是带有可调节的KL因子版本；另一个是带有Clip技术的版本。

Abstract

1 Introduction

略

2 Background: Policy Optimization

2.1 Policy Gradient Methods

PPO和TRPO都是用来解决策略梯度算法中的学习率问题的，因此他们都属于策略梯度算法(PG)：
$$\nabla J(\theta )={\mathbb{E}}_{(s,a)\sim {\rho }^{\pi }}[{\nabla }_{\theta }\log {\pi }_{\theta }(a|s)\cdot A^{{\pi }_{\theta }}(s,a)]\text{\hspace{1em}(1)}$$

2.2 Trust Region Methods

有关TRPO的论文解读，可参考我的另一篇论文笔记之TRPO。
TRPO的目标函数以及约束为：
$$\underset{\theta }{\mathrm{maximize}}{\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[\frac{{\pi }_{\theta }(s_t,a_t)}{{\pi }_{{\theta }_{old}}(s_t,a_t)}{A}^{{\pi }_{{\theta }_{old}}}(s_t,a_t)]\text{\hspace{1em}(3)}$$$$s.t.{\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[KL[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]\text{\hspace{1em}(4)}$$Note：

1. ${\theta }_{old}$指的是当前策略，是即将更新的待更新策略，相对${\pi }_{\theta }$而言就是旧策略。
2. TRPO对式(3)(4)的优化采用共轭梯度+线性搜索来处理。对式(3)采用一阶近似，对式(4)采用二阶近似。

理论上TRPO开始也是将$KL$散度作为奖惩项的：
$$\underset{\theta }{\mathrm{maximize}}{\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[\frac{{\pi }_{\theta }(s_t,a_t)}{{\pi }_{{\theta }_{old}}(s_t,a_t)}{A}^{{\pi }_{{\theta }_{old}}}(s_t,a_t)-\beta KL[{\pi }_{{\theta }_{old}}(\cdot |s_t),{\pi }_{\theta }(\cdot |s_t)]]\text{\hspace{1em}(5)}$$Note:

1. 但是在TRPO中$KL$因子是个很小的值，会造成学习缓慢。如果将$\beta$当做超参数的话，对于不同环境也是难以调节。因此PPO的一个版本就专门设计了可调节的$KL$因子。
2. 实验表明，如果采样固定的奖惩因子$\beta$，并采用$SGD$来对式(5)做一阶近似的话，效果是不好的。因此有必要将$\beta$改成可调节的。

3 Clipped Surrogate Objective

这是PPO的Clip版本。OpenAI的作者提出用Clip技术替代$KL$散度的作用，即限制参数${\theta }_{old}\to \theta$步伐过大。
记IS修正因子$r_t(\theta )=\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}$。TRPO优化的目标是一种替代目标，他不直接优化${\eta }_{{\theta }_{new}}$，而是优化它的一个下界。整个优化过程Kakada称之为CPI(Conservation Policy Iteration)，故真正优化的目标函数称之为CPI函数：$$L^{CPI}(\theta )={\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[\frac{{\pi }_{\theta }(s_t,a_t)}{{\pi }_{{\theta }_{old}}(s_t,a_t)}{A}^{{\pi }_{{\theta }_{old}}}(s_t,a_t)]=\mathbb{E}[r_t(\theta )A^{{\pi }_{{\theta }_{old}}}(s_t,a_t)]\text{\hspace{1em}(6)}$$
可以见得，如果不存在一个约束的话，${\theta }_{old}\to \theta$将会很大，会导致策略提升失效，从而无法解决PG算法的学习率大小问题。

那么PPO的Clip版本的替代函数是什么呢？
PPO的Clip版本的优化的目标也是基于TRPO的优化目标(式(6))，本质上两者都是CPI函数，优化的都是真正回报${\eta }_{{\theta }_{new}}$的近似。
记Clip超参数$ϵ=0.2$，则PPO优化目标：
L C L I P ( θ ) = E ( s t , a t ) ∼ ρ π θ o l d [ min ⁡ { r t ( θ ) A π θ o l d , c l i p ( r t ( θ ) , 1 − ϵ , 1 + ϵ ) A π θ o l d } ] (7) L^{CLIP}(\theta)=\mathbb{E}_{(s_t,a_t)\sim\rho^{\pi_{\theta_{old}}}}[\min\{r_t(\theta)A^{\pi_{\theta_{old}}},clip(r_t(\theta), 1-\epsilon,1+\epsilon)A^{\pi_{\theta_{old}}}\}]\tag{7} LCLIP(θ)=E(st​,at​)∼ρπθold​​​[min{rt​(θ)Aπθold​​,clip(rt​(θ),1−ϵ,1+ϵ)Aπθold​​}](7)
$Clip$目标函数有2大特征：
①用下图即可说明PPO设置$Clip$的意义：用一句话概括就是$Clip$的存在是为了限制${\theta }_{old}\to \theta$更新幅度过大，这个更新方向可能使得$\pi$是增大的，也可能是减小的，这取决于Critic和0的关系。根据PG理论：$A\ge 0$，则鼓励$\theta$的更新朝着${\pi }_{\theta }$增大的方向移动；$A\le 0$，则鼓励$\theta$的更新朝着${\pi }_{\theta }$减小的方向移动。
Note：

1. 虽然理论上说$KL$散度优化目的是让2个分布输出的动作概率一致，而非策略参数一致。但是实际上对于2个不同参数的分布，要做到对于状态空间$\mathcal{S}$的每一个状态都对应的概率密度(离散下为概率)相等，是很难的，如下图所示：因此$\underset{\theta }{\mathrm{minimize}}KL({\pi }_{{\theta }_{old}}(\cdot |s)||{\pi }_{\theta }(\cdot |s))$的结果往往是${\theta }_{old}\approx \theta$。因此无论是$KL$散度还是$Clip$，其优化的结果就是使2个策略的参数趋于一致。
2. 通过$Clip$技术限制住$r(\theta )$一来可以保证策略提升不会失效；二来可以保证IS处理后的方差不会过大从而保证IS的有效性。

②：$L^{CLIP}$可作为选取目标函数的一个保守的下界。如下图所示：图中横坐标可以理解为参数从开始更新到更新完毕的过程。纵坐标为$KL({\theta }_{old}||\theta )$值。从图中可看出以$L^{CLIP}$为目标对于参数更新步伐的控制较强，更新“保守”。

4 Adaptive KL Penalty Coefficient

第三节讲述了PPO的$Clip$版本，这一节讲述PPO的另一个版本——采用可调节的$KL$散度因子。
算法的大致步骤为：
Note：

1. 算法涉及3个超参数：$\beta 、d_{targ}、(1.5,2)$，但这三者的敏感性很低，调节并不是很麻烦。
2. 效果比$L^{CLIP}$要差，但是可作为一个baseline。
3. 采用SGD做一阶优化。

5 Algorithm

回顾一下：第三节介绍了基于TRPO的$L^{CLIP}$算法；第四节介绍了基于TRPO的$L^{KLPEN}$算法。这一节开始介绍完整的PPO算法。
PPO算法的完整目标函数：
$$L_t^{CLIP+VF+S}(\theta )={\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[L_t^{CLIP}(\theta )-c_1{L}_t^{VF}(\theta )+c_{2}S[{\pi }_{\theta }](s_t)]\text{\hspace{1em}(9)}$$Note:

1. $c_1,c_2$为2个超参数，$S$为信息熵增加探索率，$L_t^{VF}$为训练Critic网络$V_{\theta }$的损失函数。
2. 这里采用$L^{CLIP}$作为替代函数。

优势函数的估计基于以下式子：
$$A_t=-V(s_t)+[r_t+{\gamma }_{t+1}+\cdots +{\gamma }^{T-t-1}{r}_{T-1}+{\gamma }^{T-t}V(s_T)]\text{\hspace{1em}(10)}$$Note:

1. 式(10)第一部分的$V$通过价值网络得到，$V$网络的训练遵从：$$\underset{\theta }{\mathrm{minimize}}{\mathbb{E}}_{(s_t,a_t)\sim {\rho }^{{\pi }_{{\theta }_{old}}}}[\frac{1}{2}(V_{\theta }(s_t)-V_t^{targ}(s_t){)}^2]$$
2. 式(10)的第二部分是一个T步的$Q$，它通过MC采样结果相加可得。

整个PPO算法的伪代码如下：Note：

1. PPO算法拥有Actor-Critic算法的框架。
2. 算法中分成了$N$个Actor去做T步的探索，一共收集$N\ast T$个样本，然后进行训练过程中，采集$M\le NT$个样本做mini-batch，更新${\theta }_{old}\to \theta$。从这里就可以看出PPO是如何利用样本训练的以及PPO是一个On-policy算法，因为目标策略${\theta }_{old}$的更新和行为策略${\theta }_{old}$是同一个。
3. PPO的训练中T步是固定的长度，其值远小于一个episode的长度。
4. PPO的自动调节$KL$因子版本伪代码如下：

6 Experiments

6.1 Comparison of Surrogate Objectives

这一小节用于对比三种替代目标函数$L^{CPI}、L^{CLIP}、L^{KLPEN}$，其中$L^{KLPEN}$还包括固定和自动调节的$\beta$。
实验设置：

1. 超参数：除了$clip$版本有专属的$ϵ$，奖惩$KL$版本有专属的$(\beta ,d_{targ})$，其余都一样的设置：

2. 网络设置：用神经网络来表示策略。

3. 其他：实验环境来自于OpenAI-Gym的Mujoco仿真模拟器。一共涉及7种环境，每种环境设置3个随机种子。评价指标为7*3=21个结果的平均值。

实验结果如下：

1. 从实验结果来看，$L^{CLIP}$版本的表现要较好于其他三种。
2. 显然失去了参数更新限制的$L^{CPI}$表现拉跨，因为参数${\theta }_{old}\to \theta$不设限，导致策略提升失效以及IS修正失效。

6.2 Comparison to Other Algorithm in the Continuous Domain

这一小节是将PPO算法与其他算法在同一环境是的比较。
上一轮胜出的是$clip$版本的PPO，所以这一节拿$clip$版本的PPO与其余5种算法对比，实验结果如下：从实验结果来看，显然PPO的表现力要好于其余5位。

6.3 Showcase in the Continuous Domain:Humanoid Running and Steering

这一节是测试PPO(自动调节$\beta$版本)在高维连续动作空间环境Humanoid上的表现效果。实验分三种难度，从低到高分别是：①RoboschoolHumanoid-v0②RoboschoolHumanoidFlagrun-v0③RoboschoolHumanoidFlagrunHarder
实验所涉及到的超参数如下：

实验效果图如下：

实验结果如下：

从实验结果来看，PPO在高维连续空间task的表现力还是不错的，面对高维task的时候，PPO是一个不错的baseline。

6.4 Comparison to Other Algorithm on the Atari Domain

这一节测试的是PPO算法和其余2种算法A2C、ACER在Atari环境中的表现对比。
一共测试49种Atari游戏。PPO的超参数如下：其余2种算法的超参数已经调节到最好效果了。
实验分2个评价指标，评价值是49局游戏里获胜的次数，实验结果如下：

从实验结果来看，PPO在Atari领域还是可行的一种算法。

7 Conclusion

1. PPO是一种Policy-based方法。
2. PPO是一种On-policy的随机策略算法。
3. PPO=(Policy-Gradient)+(Importance-Sampling)+(KL散度)，即它的目标函数基于PG，然后利用IS技术提高采样效率，同时为了避免IS中前后策略相差太大而引入$KL$散度。和TRPO不同的是，PPO的KL散度是作为奖惩项放在目标函数中的，并且引入自动调节的$KL$因子$\beta$。
4. PPO也可以理解成PPO=(TRPO-constraint)+(clip)=(TRPO-constraint)+(adaptive-$\beta$)，即PPO是一种基于TRPO且有2个版本的RL算法。
5. 为了降低$KL$散度计算的复杂度，PPO引入$Clip$技术将$({\theta }_{old},\theta )$限定在一定范围内。
6. TRPO对约束使用了二阶近似，而PPO只使用了一阶，并弃用了难度较大的共轭梯度以及线性搜索算法，故PPO更易实现且效果更好。
7. 可用于作为一个较为保守的替代目标。一般来说，CPI函数和CLIP函数都是对真正目标$\eta$的近似。