简述 PPO
PPO 算法是一种基于策略的、使用两个神经网络的强化学习算法。通过将“智体”当前
的“状态”输入神经网络，最终会得到相应的“动作”和“奖励”，再根据“动作”来更新
“智体”的状态，根据包含有“奖励”和“动作”的目标函数，运用梯度上升来更新神经网
络中的权重参数，从而能得到使得总体奖励值更大的“动作”判断。
月球飞船降落
本文根据 gym 来跑强化学习，在该游戏中，“状态”与“奖励”的更新都使用 gym 内部
封装的函数来实行，所以我们只需要考虑“状态”→“神经网络”→“动作”就行了。
下载 gym 的步骤如下：
pip install gym
pip install box2d box2d-kengz --user
如果在 cmd 下安装不成功，建议在 Anaconda 中安装
神经网络
PPO 算法需要使用到两个神经网络，其中一个网络我们命名为“actor_net ”，“状态”就是通过“actor_net ”做出了采取什么动作的判断；另一个网络我们叫它“critic_net”，进入这个网络的也是“状态”，但通过这个网络得到的是一个值“value”，具体作用我们后面会详述。正如前面所说，“状态”通过“actor_net ”会得到“动作”，然后根据 gym 自带的函数会返回给我们新的“状态”以及“奖励”；“状态”通过“critic_net”会得到一个“value”。 这里得到的“动作”是经过 softmax 后得到的一个概率值，再经过采样后会得到相应动作的索引值。将“状态”输入神经网络是一个“智体”与环境不断交互产生数据的阶段，这也是强化学习里数据的来源，要注意的有交互并不等于有训练。
数学公式
在深度强化学习中，我们的最终目的就是要尽可能地让得到的总的奖励最大。但是，在
PPO 算法中我们的目标函数求出的并不是“奖励”的期望，而是求“奖励”期望。
公式如下：
期望就是把概率和求出的值相乘，目的是求出一个较为平均的数。在强化学习中，“状态”时刻都在变化，即使是同样权重参数，也可能得到不同的判断，如果只是求单一状态下奖励的最大值，无法得到理想的效果。所以 PPO 算法将目标函数设为求奖励的期望值，这样可以一个较为总体的结果。
再根据大数定律，我们可以把目标函数直接看成每一次的“动作”与“奖励”相乘结果的求和求平均值，公式如下：这里求出的“动作”其实是实行该动作的概率值。
我们再来说说“奖励”。
我们并不是使用直接得到的“奖励”进行参数的更新。我们前面有提到“
critic_net ”网
络会得到一个“
value ”，这时候我们要做的是拿“奖励”减去“
value ”得到一个新的值，我
们用来参与训练的便是这个新的到的值。
因为在一般的交互过程中，很难会有奖励值为负，也就是惩罚产生，这样显然是不利于
训练流程的。同时，加大惩罚，可以让“智体”不断探索发现能带来更大奖励值的“动作”。
“ actor_net ”负责产生“动作”，从而产生“奖励”和新的“状态”。而产生用于调整“奖
励”的“
value ”值，就是“
critic_net ”任务。
参数更新
我们前面已经得到了求期望的公式，但这个公式并不是我们要使用的目标函数，我们还
要进行一些加工，最终得到了如下函数：
该式子求出了目标函数的梯度，最终我们可能根据梯度上升的思想来更新参数。
这里要注意的是，我们是根据每一次的“状态”、“动作”和“奖励”来更新参数，因此
必须要把每一次交互的数据记录下来，等参数更新之后再删除。
Of policy 与 Off policy
PPO 算法里的 policy 就是使用的神经网络， Of policy 就是有经过神经网络， Off policy 就
是不经过神经网络。
假设我们设定，在飞船降落月球的过程中，一次降落最多产生 300 次动作，而最多可以
降落 1000 次，这样的话“智体”就会与环境交互 30 万次。
前面有提到，参数的更新需要用到全部的数据，然后删除。但是，如果一整个流程就更
新了这么一次参数，不仅慢而且浪费。因为 PPO 算法采用了两个“智体”，也就是两套参数，
其中一套我们成为“打工人”钻进神经网络，不断与环境交互产生数据。另一个我们成为“大
少爷”，平时就呆着不动，等到交互达到一定次数时，比如我们可以设为 400 次，这个看我
们自己，“打工人”将自己收集到的数据传递给“大少爷”，“大少爷”就根据前面的公式进 行参数更新。
因为是用了别的“智体”代替自己与环境交互，所以这个代替的“智体”与本来的“智
体”差异绝对不能太大，不然最终结果会有偏差。这里的差异，主要看的是判断出“动作”
的差异，因此，可以用以下代码来做一个限制：
surr1 = ratios * advantages
surr2 = torch.clamp(ratios, 1-self.eps_clip, 1+self.eps_clip) * advantages
Surr1 就是直接求两个“智体”所得值得比例， surr2 则是加了一个限制，如果将 eps_clip
设为 0.2 ，意思就是比值差异不能超过 0.2 。求出两个 surr ，然后取它们中得最小值，再加一
个负号，这就是我们用到的损失函数，也是之前目标函数加工后得来的。