策略梯度定理公式的详细推导

以下是策略梯度定理公式从基础概率公式到最终形式的完整推导，帮助更清晰地理解推导过程中的每一个步骤。

1. 策略梯度的目标

我们希望最大化期望累积奖励 ( J ( θ ) J(\theta) J(θ) )，其定义为：

J ( θ ) = E π θ $R t$ J(\theta) = \mathbb{E}{\pi\theta} \left $R_t \\right$ J(θ)=Eπθ $Rt$

根据期望的定义，可以将 ( J ( θ ) J(\theta) J(θ) ) 写为积分形式：

J ( θ ) = ∫ τ P ( τ ; θ ) R t d τ J(\theta) = \int_{\tau} P(\tau; \theta) R_t \, d\tau J(θ)=∫τP(τ;θ)Rtdτ

其中：

( τ = ( s 0 , a 0 , s 1 , a 1 , ... ) \tau = (s_0, a_0, s_1, a_1, \dots) τ=(s0,a0,s1,a1,...) ) 表示一条轨迹；
( P ( τ ; θ ) P(\tau; \theta) P(τ;θ) ) 是轨迹的概率分布。

接下来，我们对目标 ( J ( θ ) J(\theta) J(θ) ) 求梯度：

∇ θ J ( θ ) = ∇ θ ∫ τ P ( τ ; θ ) R t d τ \nabla_\theta J(\theta) = \nabla_\theta \int_{\tau} P(\tau; \theta) R_t \, d\tau ∇θJ(θ)=∇θ∫τP(τ;θ)Rtdτ

根据微积分中的交换求导与积分的规则，将梯度符号与积分符号交换位置：

∇ θ J ( θ ) = ∫ τ ∇ θ $P ( τ ; θ ) R t$ d τ \nabla_\theta J(\theta) = \int_{\tau} \nabla_\theta \left $P(\\tau; \\theta) R_t \\right$ d\tau ∇θJ(θ)=∫τ∇θ $P(τ;θ)Rt$ dτ

因为 ( R t R_t Rt ) 不依赖于参数 ( θ \theta θ )，所以可以提取出来：

∇ θ J ( θ ) = ∫ τ R t ∇ θ P ( τ ; θ ) d τ \nabla_\theta J(\theta) = \int_{\tau} R_t \nabla_\theta P(\tau; \theta) \, d\tau ∇θJ(θ)=∫τRt∇θP(τ;θ)dτ

2. 引入对数梯度

为了化简 ( ∇ θ P ( τ ; θ ) \nabla_\theta P(\tau; \theta) ∇θP(τ;θ) )，我们引入对数梯度技巧：

∇ θ P ( τ ; θ ) = P ( τ ; θ ) ⋅ ∇ θ log ⁡ P ( τ ; θ ) \nabla_\theta P(\tau; \theta) = P(\tau; \theta) \cdot \nabla_\theta \log P(\tau; \theta) ∇θP(τ;θ)=P(τ;θ)⋅∇θlogP(τ;θ)

将其代入梯度公式：

∇ θ J ( θ ) = ∫ τ R t ⋅ P ( τ ; θ ) ⋅ ∇ θ log ⁡ P ( τ ; θ ) d τ \nabla_\theta J(\theta) = \int_{\tau} R_t \cdot P(\tau; \theta) \cdot \nabla_\theta \log P(\tau; \theta) \, d\tau ∇θJ(θ)=∫τRt⋅P(τ;θ)⋅∇θlogP(τ;θ)dτ

根据概率分布 ( P ( τ ; θ ) P(\tau; \theta) P(τ;θ) ) 的性质，可以用期望形式重新表示：

∇ θ J ( θ ) = E π θ $R t \cdot \nabla θ log P ( τ ; θ )$ \nabla_\theta J(\theta) = \mathbb{E}{\pi\theta} \left $R_t \\cdot \\nabla_\\theta \\log P(\\tau; \\theta) \\right$ ∇θJ(θ)=Eπθ $Rt\cdot\nablaθlogP(τ;θ)$

这一步的重要性在于将积分转化为在策略 ( π θ \pi_\theta πθ ) 下的期望，使得后续计算能够通过采样来实现。

3. 轨迹概率分布的分解

轨迹 ( τ \tau τ ) 的概率 ( P ( τ ; θ ) P(\tau; \theta) P(τ;θ) ) 可以分解为以下形式：

P ( τ ; θ ) = P ( s 0 ) ∏ t = 0 ∞ π θ ( a t ∣ s t ) P ( s t + 1 ∣ s t , a t ) P(\tau; \theta) = P(s_0) \prod_{t=0}^{\infty} \pi_\theta(a_t | s_t) P(s_{t+1} | s_t, a_t) P(τ;θ)=P(s0)t=0∏∞πθ(at∣st)P(st+1∣st,at)

其中：

( P ( s 0 ) P(s_0) P(s0) )：初始状态的概率；
( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) )：策略分布，表示在状态 ( s t s_t st ) 下采取动作 ( a t a_t at ) 的概率；
( P ( s t + 1 ∣ s t , a t ) P(s_{t+1} | s_t, a_t) P(st+1∣st,at) )：环境的状态转移概率。

对 ( log ⁡ P ( τ ; θ ) \log P(\tau; \theta) logP(τ;θ) ) 求导时，仅有 ( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) ) 与参数 ( θ \theta θ ) 相关，因此可化简为：

∇ θ log ⁡ P ( τ ; θ ) = ∑ t = 0 ∞ ∇ θ log ⁡ π θ ( a t ∣ s t ) \nabla_\theta \log P(\tau; \theta) = \sum_{t=0}^{\infty} \nabla_\theta \log \pi_\theta(a_t | s_t) ∇θlogP(τ;θ)=t=0∑∞∇θlogπθ(at∣st)

将此结果代入梯度公式：

∇ θ J ( θ ) = E π θ $R t \cdot \sum t = 0 \infty \nabla θ log π θ ( a t ∣ s t )$ \nabla_\theta J(\theta) = \mathbb{E}{\pi\theta} \left $R_t \\cdot \\sum_{t=0}\^{\\infty} \\nabla_\\theta \\log \\pi_\\theta(a_t \| s_t) \\right$ ∇θJ(θ)=Eπθ $Rt\cdott=0\sum\infty\nablaθlogπθ(at∣st)$

4. 化简最终公式

将期望中的求和移到外部，可以得到：

∇ θ J ( θ ) = ∑ t = 0 ∞ E π θ $R t \cdot \nabla θ log π θ ( a t ∣ s t )$ \nabla_\theta J(\theta) = \sum_{t=0}^{\infty} \mathbb{E}{\pi\theta} \left $R_t \\cdot \\nabla_\\theta \\log \\pi_\\theta(a_t \| s_t) \\right$ ∇θJ(θ)=t=0∑∞Eπθ $Rt\cdot\nablaθlogπθ(at∣st)$

在每个时间步 ( t t t )，我们只需要计算与当前动作 ( a t a_t at ) 和状态 ( s t s_t st ) 相关的对数梯度，从而得到：

∇ θ J ( θ ) = E π θ $R t \cdot \nabla θ log π θ ( a t ∣ s t )$ \nabla_\theta J(\theta) = \mathbb{E}{\pi\theta} \left $R_t \\cdot \\nabla_\\theta \\log \\pi_\\theta(a_t \| s_t) \\right$ ∇θJ(θ)=Eπθ $Rt\cdot\nablaθlogπθ(at∣st)$

这就是策略梯度定理的最终公式。

5. 使用对数梯度性质验证

策略梯度公式的核心在于以下对数梯度性质：

∇ θ π θ ( a t ∣ s t ) = π θ ( a t ∣ s t ) ⋅ ∇ θ log ⁡ π θ ( a t ∣ s t ) \nabla_\theta \pi_\theta(a_t | s_t) = \pi_\theta(a_t | s_t) \cdot \nabla_\theta \log \pi_\theta(a_t | s_t) ∇θπθ(at∣st)=πθ(at∣st)⋅∇θlogπθ(at∣st)

证明如下：

根据对数定义， ( log ⁡ x \log x logx ) 的导数为 ( 1 x \frac{1}{x} x1 )；
对 ( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) ) 求梯度：

∇ θ log ⁡ π θ ( a t ∣ s t ) = 1 π θ ( a t ∣ s t ) ⋅ ∇ θ π θ ( a t ∣ s t ) \nabla_\theta \log \pi_\theta(a_t | s_t) = \frac{1}{\pi_\theta(a_t | s_t)} \cdot \nabla_\theta \pi_\theta(a_t | s_t) ∇θlogπθ(at∣st)=πθ(at∣st)1⋅∇θπθ(at∣st)

两边乘以 ( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) )：

将此性质代入公式，概率 ( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) ) 被约去，得到：

总结

通过以上详细推导，可以看出策略梯度定理的核心在于以下两点：

引入对数梯度性质：将复杂的概率梯度转化为对数形式；
利用轨迹概率分布的分解 ：化简梯度公式，使得计算集中在策略部分 ( π θ ( a t ∣ s t ) \pi_\theta(a_t | s_t) πθ(at∣st) )。

最终的策略梯度公式为：

这一公式既简洁又高效，是策略梯度方法的理论基础。

后记

2024年12月12日17点00分于上海，在GPT4o大模型辅助下完成。