当前位置：首页 > article >正文

【强化学习】深度确定性策略梯度算法(DDPG)详解（附代码）

article 2025/1/2 15:28:10

📢本篇文章是博主强化学习（RL）领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在👉强化学习专栏：

【强化学习】- 【单智能体强化学习】（10）---《深度确定性策略梯度算法(DDPG)详解》

深度确定性策略梯度算法(DDPG)详解

DDPG算法详细介绍

算法特点

核心改进点

算法公式推导

1. Q值函数更新

2. 策略更新（Actor网络）

3. 目标网络更新

算法流程

[Python] DDPG算法实现

1. 导入必要库

2. 定义 Actor 网络

3. 定义 Critic 网络

4. 定义经验回放池

5. 定义 DDPG 智能体

6. 动作选择方法

7. 训练方法

8. 训练智能体

9.可视化学习曲线

完整代码

[Results] 运行结果

[Notice] 代码说明

优势

通俗类比

应用场景

DDPG算法详细介绍

深度确定性策略梯度（Deep Deterministic Policy Gradient、DDPG）算法是一种基于深度强化学习的算法，适用于解决连续动作空间的问题，比如机器人控制中的连续运动。它结合了确定性策略和深度神经网络，是一种模型无关的强化学习算法，属于Actor-Critic框架，并且同时利用了DQN和PG（Policy Gradient）的优点。

算法特点

适用于连续动作空间:

DDPG直接输出连续值动作，无需对动作进行离散化。

利用确定性策略:

与随机策略不同，DDPG输出的是每个状态下一个确定的最优动作。

结合目标网络:

使用延迟更新的目标网络，稳定了训练过程，避免了过大的参数波动。

经验回放机制:

通过经验回放缓解数据相关性，提升样本利用率。

高效学习:

使用Critic网络评估动作的质量，使得策略优化过程更加高效。

核心改进点

1.从DQN继承的目标网络:

避免Q值的估计震荡问题。

提高算法的训练稳定性。

2.从PG继承的策略梯度优化:

通过Actor网络直接优化策略，适应连续动作问题。

3.经验回放（Replay Buffer）:

将交互环境中的经验（状态、动作、奖励、下一状态）存储起来，训练时从中随机采样，减少数据相关性和样本浪费。

4.双网络架构:

Actor网络负责生成动作；Critic网络评估动作的质量。

算法公式推导

1. Q值函数更新

DDPG使用Bellman方程更新Critic网络的目标Q值：

$y = r + \gamma Q'(s', \mu'(s'; \theta^{\mu'}); \theta^{Q'})$

$Q'$ 是目标Critic网络。
$\mu'$ 是目标Actor网络。
$\gamma$ 是折扣因子。
$s', \mu'(s')$ 是下一状态和目标动作。

Critic网络的优化目标是最小化以下损失函数：

$L(\theta^Q) = \frac{1}{N} \sum_{i} \left( Q(s_i, a_i; \theta^Q) - y_i \right)^2$

其中：

$\theta^Q$ 是Critic网络的参数。
$y_i$ 是目标值。

2. 策略更新（Actor网络）

Actor网络通过最大化Critic网络的Q值来优化策略，其目标函数为：

$J(\theta^\mu) = \frac{1}{N} \sum_{i} Q(s_i, \mu(s_i; \theta^\mu); \theta^Q)$

使用梯度上升法更新Actor网络：

$\nabla_{\theta^\mu} J \approx \frac{1}{N} \sum_{i} \nabla_a Q(s, a; \theta^Q) \big|{a=\mu(s)} \nabla{\theta^\mu} \mu(s; \theta^\mu)$

3. 目标网络更新

目标网络采用软更新方式，缓慢地向当前网络靠近：

$\theta^{Q'} \leftarrow \tau \theta^Q + (1 - \tau) \theta^{Q'} ] [ \theta^{\mu'} \leftarrow \tau \theta^\mu + (1 - \tau) \theta^{\mu'}$

其中 $\tau \in (0, 1)$ 是软更新系数。

算法流程

初始化:
初始化Actor、Critic网络和它们对应的目标网络。
初始化经验回放池。
交互环境:
在状态 $s_t$ 下，通过Actor网络生成动作 $a_t$ 。
执行动作 $a_t$ ，获取奖励 $r_t$ 和下一状态 $s_{t+1}$ 。
存储经验:
将 $(s_t, a_t, r_t, s_{t+1})$ 存储到经验回放池。
采样训练:
从经验池中随机采样小批量数据 $(s_i, a_i, r_i, s'_i)$ 。
更新Critic网络:
使用采样数据和目标Critic网络计算目标值 $y_i$ ，最小化Critic的损失函数。
更新Actor网络:
使用Critic网络的梯度来调整Actor网络的参数。
目标网络更新:
按照软更新公式更新目标网络的参数。
重复以上步骤，直到达到学习目标。

[Python] DDPG算法实现

下面给出了DDPG（深度确定性策略梯度）算法的完整Python实现。该实现包括Actor-Critic架构、缓冲区和目标网络等。

项目代码我已经放入GitCode里面，可以通过下面链接跳转：🔥

【强化学习】--- DDPG算法

后续相关单智能体强化学习算法也会不断在【强化学习】项目里更新，如果该项目对你有所帮助，请帮我点一个星星✨✨✨✨✨，鼓励分享，十分感谢！！！

若是下面代码复现困难或者有问题，也欢迎评论区留言。

1. 导入必要库

import gym  # 导入 Gym 库，用于创建和管理强化学习环境
import numpy as np  # 导入 NumPy，用于处理数组和数学运算
import torch  # 导入 PyTorch，用于构建和训练神经网络
import torch.nn as nn  # 导入 PyTorch 的神经网络模块
import torch.optim as optim  # 导入 PyTorch 的优化器模块
from collections import deque  # 导入双端队列，用于实现经验回放池
import random  # 导入随机模块，用于从经验池中采样

gym：用于创建和管理强化学习环境（例如Pendulum-v1）。
numpy：处理数组和数值计算。
torch：用于深度学习模型的构建和训练。
deque：一个双端队列，适用于存储经验回放池。
random：用于从经验池中随机抽样。

2. 定义 Actor 网络

# 定义 Actor 网络（策略网络）
class Actor(nn.Module):
    def __init__(self, state_dim, action_dim, max_action):
        super(Actor, self).__init__()
        self.layer1 = nn.Linear(state_dim, 256)  # 输入层到隐藏层1，大小为 256
        self.layer2 = nn.Linear(256, 256)  # 隐藏层1到隐藏层2，大小为 256
        self.layer3 = nn.Linear(256, action_dim)  # 隐藏层2到输出层，输出动作维度
        self.max_action = max_action  # 动作的最大值，用于限制输出范围

    def forward(self, state):
        x = torch.relu(self.layer1(state))  # 使用 ReLU 激活函数处理隐藏层1
        x = torch.relu(self.layer2(x))  # 使用 ReLU 激活函数处理隐藏层2
        x = torch.tanh(self.layer3(x)) * self.max_action  # 使用 Tanh 激活函数，并放大到动作范围
        return x  # 返回输出动作

解析：

Actor 网络的作用是生成给定状态下的最优动作。
输入：
- state_dim：环境状态的维度。
- action_dim：动作空间的维度。
- max_action：动作的最大值，用于约束输出动作的范围。
网络结构：
- 两层隐藏层（256个神经元，每层使用ReLU激活函数）。
- 输出层使用tanh激活函数（将动作限制在 ([-1, 1])），再乘以 max_action 缩放到实际动作范围。

3. 定义 Critic 网络

# 定义 Critic 网络（价值网络）
class Critic(nn.Module):
    def __init__(self, state_dim, action_dim):
        super(Critic, self).__init__()
        self.layer1 = nn.Linear(state_dim + action_dim, 256)  # 将状态和动作拼接后输入到隐藏层1
        self.layer2 = nn.Linear(256, 256)  # 隐藏层1到隐藏层2，大小为 256
        self.layer3 = nn.Linear(256, 1)  # 隐藏层2到输出层，输出 Q 值

    def forward(self, state, action):
        x = torch.cat([state, action], dim=1)  # 将状态和动作拼接为单个输入
        x = torch.relu(self.layer1(x))  # 使用 ReLU 激活函数处理隐藏层1
        x = torch.relu(self.layer2(x))  # 使用 ReLU 激活函数处理隐藏层2
        x = self.layer3(x)  # 输出 Q 值
        return x  # 返回 Q 值

解析：

Critic 网络评估给定状态和动作的质量（即 Q 值）。
输入：
- state：环境的当前状态。
- action：给定状态下的动作。
网络结构：
- 将状态和动作拼接作为输入。
- 两层隐藏层，使用ReLU激活。
- 输出层是一个标量 Q 值，表示该状态动作对的质量。

4. 定义经验回放池

# 定义经验回放池
class ReplayBuffer:
    def __init__(self, max_size):
        self.buffer = deque(maxlen=max_size)  # 初始化一个双端队列，设置最大容量

    def add(self, state, action, reward, next_state, done):
        self.buffer.append((state, action, reward, next_state, done))  # 将经验存入队列

    def sample(self, batch_size):
        batch = random.sample(self.buffer, batch_size)  # 随机采样一个小批量数据
        states, actions, rewards, next_states, dones = zip(*batch)  # 解压采样数据
        return (np.array(states), np.array(actions), np.array(rewards),
                np.array(next_states), np.array(dones))  # 返回 NumPy 数组格式的数据

    def size(self):
        return len(self.buffer)  # 返回经验池中当前存储的样本数量

解析：

作用：存储智能体与环境交互的经验数据，打破样本间的时间相关性。
方法：
- add：将 ((state, action, reward, next_state, done)) 存入经验池。
- sample：从经验池中随机采样，返回小批量的训练数据。
- size：返回经验池中的样本数量。

5. 定义 DDPG 智能体

# 定义 DDPG 智能体
class DDPGAgent:
    def __init__(self, state_dim, action_dim, max_action, gamma=0.99, tau=0.005, buffer_size=100000, batch_size=64):
        self.actor = Actor(state_dim, action_dim, max_action)  # 初始化 Actor 网络
        self.actor_target = Actor(state_dim, action_dim, max_action)  # 初始化目标 Actor 网络
        self.actor_target.load_state_dict(self.actor.state_dict())  # 将 Actor 网络的权重复制到目标网络
        self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=1e-4)  # 定义 Actor 网络的优化器

        self.critic = Critic(state_dim, action_dim)  # 初始化 Critic 网络
        self.critic_target = Critic(state_dim, action_dim)  # 初始化目标 Critic 网络
        self.critic_target.load_state_dict(self.critic.state_dict())  # 将 Critic 网络的权重复制到目标网络
        self.critic_optimizer = optim.Adam(self.critic.parameters(), lr=1e-3)  # 定义 Critic 网络的优化器

        self.max_action = max_action  # 动作的最大值
        self.gamma = gamma  # 折扣因子
        self.tau = tau  # 目标网络软更新参数
        self.replay_buffer = ReplayBuffer(buffer_size)  # 初始化经验回放池
        self.batch_size = batch_size  # 批量大小

解析：

初始化网络：
- Actor 和 Critic 网络分别有目标网络（actor_target 和 critic_target），用于稳定训练。
优化器：
- Adam 优化器分别优化 Actor 和 Critic 网络。
超参数：
- gamma：折扣因子。
- tau：目标网络更新的系数。
- buffer_size：经验池的容量。
- batch_size：每次训练使用的样本数量。

6. 动作选择方法

# 根据状态选择动作
    def select_action(self, state):
        state = torch.FloatTensor(state.reshape(1, -1))  # 将状态转换为 PyTorch 张量
        action = self.actor(state).detach().cpu().numpy().flatten()  # 使用 Actor 网络生成动作，并转为 NumPy 数组
        return action  # 返回动作

作用：根据当前状态 (s)，生成一个连续动作 (a)。
流程：
- 将输入状态转换为 Torch 张量。
- 用 Actor 网络预测动作。
- 动作转换为 NumPy 数组返回。

7. 训练方法

   # 训练方法
    def train(self):
        # 如果回放池中样本数量不足，直接返回
        if self.replay_buffer.size() < self.batch_size:
            return

        # 从回放池中采样一批数据
        states, actions, rewards, next_states, dones = self.replay_buffer.sample(self.batch_size)

        # 将采样的数据转换为张量
        states = torch.FloatTensor(states)
        actions = torch.FloatTensor(actions)
        rewards = torch.FloatTensor(rewards).unsqueeze(1)  # 添加一个维度以匹配Q值维度
        next_states = torch.FloatTensor(next_states)
        dones = torch.FloatTensor(dones).unsqueeze(1)  # 添加一个维度以匹配Q值维度

        # 计算critic的损失
        with torch.no_grad():  # 关闭梯度计算
            next_actions = self.actor_target(next_states)  # 使用目标actor网络预测下一步动作
            target_q = self.critic_target(next_states, next_actions)  # 目标Q值
            # 使用贝尔曼方程更新目标Q值
            target_q = rewards + (1 - dones) * self.gamma * target_q

        # 当前Q值
        current_q = self.critic(states, actions)
        # 均方误差损失
        critic_loss = nn.MSELoss()(current_q, target_q)

        # 优化critic网络
        self.critic_optimizer.zero_grad()
        critic_loss.backward()
        self.critic_optimizer.step()

        # 计算actor的损失
        actor_loss = -self.critic(states, self.actor(states)).mean()  # 策略梯度目标为最大化Q值

        # 优化actor网络
        self.actor_optimizer.zero_grad()
        actor_loss.backward()
        self.actor_optimizer.step()

        # 更新目标网络参数（软更新）
        for target_param, param in zip(self.critic_target.parameters(), self.critic.parameters()):
            target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)

        for target_param, param in zip(self.actor_target.parameters(), self.actor.parameters()):
            target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)

    # 将样本添加到回放池中
    def add_to_replay_buffer(self, state, action, reward, next_state, done):
        self.replay_buffer.add(state, action, reward, next_state, done)

解析：

Critic 网络更新：
计算目标 Q 值 $y = r + \gamma Q'(s', \mu'(s'))$ 。
使用均方误差 (MSE) 更新 Critic 网络。
Actor 网络更新：
优化目标：最大化 Critic 网络的 Q 值。
目标网络更新：
使用软更新方式（通过 (\tau)）平滑更新目标网络参数。

8. 训练智能体

def train_ddpg(env_name, episodes=1000, max_steps=200):
    # 创建环境
    env = gym.make(env_name)
    state_dim = env.observation_space.shape[0]  # 状态空间维度
    action_dim = env.action_space.shape[0]  # 动作空间维度
    max_action = float(env.action_space.high[0])  # 动作最大值

    # 初始化DDPG智能体
    agent = DDPGAgent(state_dim, action_dim, max_action)
    rewards = []  # 用于存储每个episode的奖励

    for episode in range(episodes):
        state, _ = env.reset()  # 重置环境，获取初始状态
        episode_reward = 0  # 初始化每轮奖励为0
        for step in range(max_steps):
            # 选择动作
            action = agent.select_action(state)
            # 执行动作，获取环境反馈
            next_state, reward, done, _, _ = env.step(action)
            # 将样本存入回放池
            agent.add_to_replay_buffer(state, action, reward, next_state, done)

            # 训练智能体
            agent.train()
            # 更新当前状态
            state = next_state
            # 累加奖励
            episode_reward += reward

            if done:  # 如果完成（到达终止状态），结束本轮
                break

        # 记录每轮的累计奖励
        rewards.append(episode_reward)
        print(f"Episode: {episode + 1}, Reward: {episode_reward}")

解析：

训练流程：
1. 初始化环境和智能体。
2. 在每个 episode 中：
  - 使用 Actor 网络生成动作与环境交互。
  - 将经验存储到经验池。
  - 更新 Actor 和 Critic 网络。
  - 打印 episode 的累计奖励。

9.可视化学习曲线

    # 绘制学习曲线的方法
    import matplotlib.pyplot as plt

    # 绘制学习曲线
    plt.plot(rewards)
    plt.title("Learning Curve")
    plt.xlabel("Episodes")
    plt.ylabel("Cumulative Reward")
    plt.show()

完整代码

"""《DDPG算法的代码》
    时间：2024.12
    环境：gym
    作者：不去幼儿园
"""

import gym  # 导入 Gym 库，用于创建和管理强化学习环境
import numpy as np  # 导入 NumPy，用于处理数组和数学运算
import torch  # 导入 PyTorch，用于构建和训练神经网络
import torch.nn as nn  # 导入 PyTorch 的神经网络模块
import torch.optim as optim  # 导入 PyTorch 的优化器模块
from collections import deque  # 导入双端队列，用于实现经验回放池
import random  # 导入随机模块，用于从经验池中采样

# 定义 Actor 网络（策略网络）
class Actor(nn.Module):
    def __init__(self, state_dim, action_dim, max_action):
        super(Actor, self).__init__()
        self.layer1 = nn.Linear(state_dim, 256)  # 输入层到隐藏层1，大小为 256
        self.layer2 = nn.Linear(256, 256)  # 隐藏层1到隐藏层2，大小为 256
        self.layer3 = nn.Linear(256, action_dim)  # 隐藏层2到输出层，输出动作维度
        self.max_action = max_action  # 动作的最大值，用于限制输出范围

    def forward(self, state):
        x = torch.relu(self.layer1(state))  # 使用 ReLU 激活函数处理隐藏层1
        x = torch.relu(self.layer2(x))  # 使用 ReLU 激活函数处理隐藏层2
        x = torch.tanh(self.layer3(x)) * self.max_action  # 使用 Tanh 激活函数，并放大到动作范围
        return x  # 返回输出动作

# 定义 Critic 网络（价值网络）
class Critic(nn.Module):
    def __init__(self, state_dim, action_dim):
        super(Critic, self).__init__()
        self.layer1 = nn.Linear(state_dim + action_dim, 256)  # 将状态和动作拼接后输入到隐藏层1
        self.layer2 = nn.Linear(256, 256)  # 隐藏层1到隐藏层2，大小为 256
        self.layer3 = nn.Linear(256, 1)  # 隐藏层2到输出层，输出 Q 值

    def forward(self, state, action):
        x = torch.cat([state, action], dim=1)  # 将状态和动作拼接为单个输入
        x = torch.relu(self.layer1(x))  # 使用 ReLU 激活函数处理隐藏层1
        x = torch.relu(self.layer2(x))  # 使用 ReLU 激活函数处理隐藏层2
        x = self.layer3(x)  # 输出 Q 值
        return x  # 返回 Q 值

# 定义经验回放池
class ReplayBuffer:
    def __init__(self, max_size):
        self.buffer = deque(maxlen=max_size)  # 初始化一个双端队列，设置最大容量

    def add(self, state, action, reward, next_state, done):
        self.buffer.append((state, action, reward, next_state, done))  # 将经验存入队列

    def sample(self, batch_size):
        batch = random.sample(self.buffer, batch_size)  # 随机采样一个小批量数据
        states, actions, rewards, next_states, dones = zip(*batch)  # 解压采样数据
        return (np.array(states), np.array(actions), np.array(rewards),
                np.array(next_states), np.array(dones))  # 返回 NumPy 数组格式的数据

    def size(self):
        return len(self.buffer)  # 返回经验池中当前存储的样本数量

# DDPG智能体类定义
class DDPGAgent:
    # 初始化方法，设置智能体的参数和模型
    def __init__(self, state_dim, action_dim, max_action, gamma=0.99, tau=0.005, buffer_size=100000, batch_size=64):
        # 定义actor网络（策略网络）及其目标网络
        self.actor = Actor(state_dim, action_dim, max_action)
        self.actor_target = Actor(state_dim, action_dim, max_action)
        # 将目标actor网络的参数初始化为与actor网络一致
        self.actor_target.load_state_dict(self.actor.state_dict())
        # 定义actor网络的优化器
        self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=1e-4)

        # 定义critic网络（值网络）及其目标网络
        self.critic = Critic(state_dim, action_dim)
        self.critic_target = Critic(state_dim, action_dim)
        # 将目标critic网络的参数初始化为与critic网络一致
        self.critic_target.load_state_dict(self.critic.state_dict())
        # 定义critic网络的优化器
        self.critic_optimizer = optim.Adam(self.critic.parameters(), lr=1e-3)

        # 保存动作的最大值，用于限制动作范围
        self.max_action = max_action
        # 折扣因子，用于奖励的时间折扣
        self.gamma = gamma
        # 软更新系数，用于目标网络的更新
        self.tau = tau
        # 初始化经验回放池
        self.replay_buffer = ReplayBuffer(buffer_size)
        # 每次训练的批量大小
        self.batch_size = batch_size

    # 选择动作的方法
    def select_action(self, state):
        # 将状态转换为张量
        state = torch.FloatTensor(state.reshape(1, -1))
        # 使用actor网络预测动作，并将结果转换为NumPy数组
        action = self.actor(state).detach().cpu().numpy().flatten()
        return action

    # 训练方法
    def train(self):
        # 如果回放池中样本数量不足，直接返回
        if self.replay_buffer.size() < self.batch_size:
            return

        # 从回放池中采样一批数据
        states, actions, rewards, next_states, dones = self.replay_buffer.sample(self.batch_size)

        # 将采样的数据转换为张量
        states = torch.FloatTensor(states)
        actions = torch.FloatTensor(actions)
        rewards = torch.FloatTensor(rewards).unsqueeze(1)  # 添加一个维度以匹配Q值维度
        next_states = torch.FloatTensor(next_states)
        dones = torch.FloatTensor(dones).unsqueeze(1)  # 添加一个维度以匹配Q值维度

        # 计算critic的损失
        with torch.no_grad():  # 关闭梯度计算
            next_actions = self.actor_target(next_states)  # 使用目标actor网络预测下一步动作
            target_q = self.critic_target(next_states, next_actions)  # 目标Q值
            # 使用贝尔曼方程更新目标Q值
            target_q = rewards + (1 - dones) * self.gamma * target_q

        # 当前Q值
        current_q = self.critic(states, actions)
        # 均方误差损失
        critic_loss = nn.MSELoss()(current_q, target_q)

        # 优化critic网络
        self.critic_optimizer.zero_grad()
        critic_loss.backward()
        self.critic_optimizer.step()

        # 计算actor的损失
        actor_loss = -self.critic(states, self.actor(states)).mean()  # 策略梯度目标为最大化Q值

        # 优化actor网络
        self.actor_optimizer.zero_grad()
        actor_loss.backward()
        self.actor_optimizer.step()

        # 更新目标网络参数（软更新）
        for target_param, param in zip(self.critic_target.parameters(), self.critic.parameters()):
            target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)

        for target_param, param in zip(self.actor_target.parameters(), self.actor.parameters()):
            target_param.data.copy_(self.tau * param.data + (1 - self.tau) * target_param.data)

    # 将样本添加到回放池中
    def add_to_replay_buffer(self, state, action, reward, next_state, done):
        self.replay_buffer.add(state, action, reward, next_state, done)

# 绘制学习曲线的方法
import matplotlib.pyplot as plt

def train_ddpg(env_name, episodes=1000, max_steps=200):
    # 创建环境
    env = gym.make(env_name)
    state_dim = env.observation_space.shape[0]  # 状态空间维度
    action_dim = env.action_space.shape[0]  # 动作空间维度
    max_action = float(env.action_space.high[0])  # 动作最大值

    # 初始化DDPG智能体
    agent = DDPGAgent(state_dim, action_dim, max_action)
    rewards = []  # 用于存储每个episode的奖励

    for episode in range(episodes):
        state, _ = env.reset()  # 重置环境，获取初始状态
        episode_reward = 0  # 初始化每轮奖励为0
        for step in range(max_steps):
            # 选择动作
            action = agent.select_action(state)
            # 执行动作，获取环境反馈
            next_state, reward, done, _, _ = env.step(action)
            # 将样本存入回放池
            agent.add_to_replay_buffer(state, action, reward, next_state, done)

            # 训练智能体
            agent.train()
            # 更新当前状态
            state = next_state
            # 累加奖励
            episode_reward += reward

            if done:  # 如果完成（到达终止状态），结束本轮
                break

        # 记录每轮的累计奖励
        rewards.append(episode_reward)
        print(f"Episode: {episode + 1}, Reward: {episode_reward}")

    # 绘制学习曲线
    plt.plot(rewards)
    plt.title("Learning Curve")
    plt.xlabel("Episodes")
    plt.ylabel("Cumulative Reward")
    plt.show()

    env.close()  # 关闭环境


# 主函数运行
if __name__ == "__main__":
    # 定义环境名称和训练轮数
    env_name = "Pendulum-v1"
    episodes = 500
    # 开始训练
    train_ddpg(env_name, episodes=episodes)

[Results] 运行结果

[Notice] 代码说明

演员和评论家网络：

演员网络预测给定当前状态的动作。

批评家网络评估状态-行为对的q值。

Replay Buffer：

存储过去的经验，并使有效的采样训练。

训练：

Critic使用Bellman方程更新评论家。

Actor被更新以最大化期望q值。

目标网络：

平滑更新以稳定训练。

环境：

代理在Pendulum-v1环境中进行训练作为演示。

# 环境配置
Python                  3.11.5
torch                   2.1.0
torchvision             0.16.0
gym                     0.26.2

由于博文主要为了介绍相关算法的原理和应用的方法，缺乏对于实际效果的关注，算法可能在上述环境中的效果不佳或者无法运行，一是算法不适配上述环境，二是算法未调参和优化，三是没有呈现完整的代码，四是等等。上述代码用于了解和学习算法足够了，但若是想直接将上面代码应用于实际项目中，还需要进行修改。

优势

解决连续动作问题: 它可以直接输出一个连续值动作，而不像传统的离散强化学习算法需要动作离散化。
样本效率高: 使用了经验回放和目标网络，这减少了样本相关性问题，提高了学习效率和稳定性。

通俗类比

可以把DDPG算法想象成一个赛车手（Actor）和他的教练（Critic）：

**赛车手（Actor）**决定转弯的角度、加速的力度，直接控制赛车。
**教练（Critic）**则通过观察赛车手的表现，告诉他哪些动作是好的，哪些是需要改进的。
经验回放池就是赛车手在训练中不断回看他之前的比赛录像，找到改进的地方。
目标网络则类似于赛车手的长期目标，比如平稳驾驶，而不是今天开得快、明天开得慢。

应用场景

机器人运动控制（机械臂、无人机）
自动驾驶中的连续控制任务
游戏中的复杂策略设计

更多强化学习文章，请前往：【强化学习（RL）】专栏

博客都是给自己看的笔记，如有误导深表抱歉。文章若有不当和不正确之处，还望理解与指出。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请联系博主删除。如有错误、疑问和侵权，欢迎评论留言联系作者，或者添加VX：Rainbook_2，联系作者。✨

查看全文

http://www.kler.cn/a/457384.html

C# OpenCV机器视觉:目标跟踪

ruoyi 分页查询超出后还有数据； Mybatis-Plus 分页超出后还有数据

torch.nn.GRU介绍

OpenGL变换矩阵和输入控制

计算机专业考研 408 学科学习方法

Mac电脑python多版本环境安装与切换

碰一碰发视频矩阵系统源码搭建，支持OEM

Qt仿音乐播放器：QFileDialog添加本地文件

BMS存储模块的设计

idea 禁用/关闭 sonarlint 后台自动分析（默认开启可能会引起idea卡顿）

【K8s】专题十五（6）：Kubernetes 网络之 Pod 网络调试

Netty 2024 常见面试题

个人用途虚拟机VM 17安装Ubuntu 16.04.5 图解

大数据面试笔试宝典之Spark面试

Java网约车项目实战：实现抢单功能详解

golangb并发，Sync包中Mutes,WaitGroup, NewCond的适应

八大排序——直接插入排序

几款性能优秀的差分进化算法DE（SaDE、JADE，SHADE，LSHADE、LSHADE_SPACMA、LSHADE_EpSin）-附Matlab免费代码

CAN201 Introduction to Networking（计算机网络）Pt.2 传输层

行为树详解（5）——事件驱动

跨域请求问题

一种基于动态部分重构的FPGA自修复控制器

美国站群服务器如何帮助实现有效的多域名管理？

【深入理解SpringCloud微服务】Sentinel源码解析——FlowSlot流控规则

从2024 re:Invent，看亚马逊云科技的AI布局

【机器学习】分类

深度确定性策略梯度算法(DDPG)详解

DDPG算法详细介绍

算法特点

核心改进点

算法公式推导

1. Q值函数更新

2. 策略更新（Actor网络）

3. 目标网络更新

算法流程

[Python] DDPG算法实现

1. 导入必要库

2. 定义 Actor 网络

解析：

3. 定义 Critic 网络

解析：

4. 定义经验回放池

解析：

5. 定义 DDPG 智能体

解析：

6. 动作选择方法

7. 训练方法

解析：

8. 训练智能体

解析：

9.可视化学习曲线

完整代码

[Results] 运行结果

[Notice] 代码说明

优势

通俗类比

应用场景

相关文章：