---

好久没有更新了。最近想学习一下强化学习，本系列是李宏毅老师强化学习的课程笔记。

---

1. Policy-based Model

1.1 Actor

在policy-based model中，主要的目的就是训练一个actor。

对于一个episode（例如，玩一局游戏），agent的observation、action和reward组成这样一个序列：
τ = { s 1 , a 1 , r 1 , . . . , s T , a T , r T } \tau = \{s_1,a_1,r_1,...,s_T,a_T,r_T\} τ={s1​,a1​,r1​,...,sT​,aT​,rT​}
上面的s可以理解为环境的State，那么做N次episode，所有的reward的和是
$$R(\tau )=\sum _{n=1}^N{r}_n$$
对于模型的一个参数$\theta ,\tau$取到的概率实际上与\theta有关系：
$$P(\tau |\theta )$$
然后我们关心的是一个episode的reward的期望：
$${\bar{R}}_{\theta }=\sum _{\tau }R(\tau )P(\tau |\theta )$$
那么怎么去训练这个模型？推导过程如下：
$$\begin{gathered} {\nabla }_{\theta }{\bar{R}}_{\theta }=\sum _{\tau }R(\tau ){\nabla }_{\theta }P(\tau |\theta ) \\ (所以梯度与R(\tau )无关，它不需要可微，甚至可以是一个黑盒) \\ ({\nabla }_x\log f(x)=\frac{1}{f(x)}{\nabla }_{x}f(x))=\sum _{\tau }R(\tau )P(\tau |\theta ){\nabla }_x\log P(\tau |\theta ) \\ 根据大数定律,当样本足够多时，样本均值依概率收敛于总体均值，即\mu =\sum _{\tau }R(\tau )P(\tau |\theta )\approx \bar{X}=1/N\sum _{i=1}^{N}R({\tau }_i) \\ 因此 \\ 原式\approx 1/N\sum _{i=1}^{N}R({\tau }_i){\nabla }_{\theta }\log P(\tau |\theta ) \end{gathered}$$
那么
$${\nabla }_{\theta }\log P(\tau |\theta )$$
怎么算?

将一个episode拆解开，实际上就是每次的1. 根据环境的state做出action，2. 环境根据action和上一次的state给出下一次的state和当前的reward：
$$\begin{gathered} P(\tau |\theta )=p(s_1)p(a_1|s_1,\theta )p(s_2,r_1|s_1,a_1)...p(a_k|s_k,\theta )p(s_{k+1},r_k|s_k,a_k)... \\ =p(s_1)\cdot {\Pi }_{t=1}^{T}p(a_t|s_t,\theta )p(s_{t+1},r_t|s_t,a_t) \end{gathered}$$
有连乘，取对数：
$$\log P(\tau |\theta )=\log p(s_1)+\sum _t[\log p(a_t|s_t,\theta )+\log p(s_{t+1},r_t|s_t,a_t)]$$
所以
$${\nabla }_{\theta }\log P(\tau |\theta )=\sum _t{\nabla }_{\theta }\log p(a_t|s_t,\theta )$$
最终的梯度更新方式为：
$${\nabla }_{\theta }{\bar{R}}_{\theta }=1/N\sum _{i=1}^{N}R({\tau }_i)\sum _t{\nabla }_{\theta }\log p(a_t|s_t,\theta )$$
Reward越大越好，所以实际上上面这个式子也是越大越好。上述这种梯度计算的方式是显然的：

1. 对于一个episode，如果它最终的reward $R({\tau }_i)$ 为正，那么我们肯定希望在这个episode中的每一个决策出现的概率都足够大；反之，如果reward为负，那么我们希望概率足够低。

2. 为什么要用$\log$的梯度，而不直接是${\nabla }_{\theta }p(a_t|s_t,\theta )$? 这是因为，假如出现了下面这种情况，即状态$s$在4个episode中都出现过，actor的反应和得到的reward如下图：

   

   所以，模型会偏好出现次数多的action，因为虽然出现次数多的action，reward不一定很大，但是相加起来依旧可以增大最后的reward。所以，要对“出现次数”进行某种“归一化”，也就是除以概率就好：$\frac{{\nabla }_{\theta }p(a_t|s_t,\theta )}{p(a_t|s_t,\theta )}={\nabla }_{\theta }\log p(a_t|s_t,\theta )$.

在通常情况下，为了避免Reward在啥时候都是正数的情况，需要减去一个bias，让Reward有正有负：
$$\begin{gathered} {\nabla }_{\theta }{\bar{R}}_{\theta }=1/N\sum _{i=1}^N(R({\tau }_i)-b)\sum _t{\nabla }_{\theta }\log p(a_t|s_t,\theta ) \\ =1/N\sum _{i=1}^N\sum _t(R({\tau }_i)-b){\nabla }_{\theta }\log p(a_t|s_t,\theta ) \end{gathered}$$

然而，上面这个公式还有一点点问题。在一条轨迹中所有的动作都具有同样的价值。然而从直觉上来看，一条轨迹中一般不会所有的动作都是好的，而是有些动作好，而另外一些动作差，然而这些动作目前却会以相同的方式更新概率，这也会造成训练的不稳定。因此有必要为每个动作赋予其所应得的奖励。考虑到交互过程中 Actor 采取某一动作只会对之后的状态产生影响，而不会对之前的有影响。因此，不必令每个动作的权重都为全部奖励之和，而只需要累计在当前动作之后的奖励之和$R({\tau }_i)={\sum }_{t^{\prime }=t}^{T_i}{r}_{t^{\prime }}^i$, 其中$T_n$是第$i$个trajectory的长度，$r_{t^{\prime }}^i$表示第$i$个trajectory中时刻$t^{\prime }$的环境真实奖励。

另一个直觉是，当前动作会对时间较近的状态影响大，时间较远的影响小。因此，在计算累计奖励的时候，对于未来较遥远的奖励应该予以折扣，因此
$$R({\tau }_i)=\sum _{t^{\prime }=t}^{T_i}{\gamma }^{t^{\prime }-t}{r}_{t^{\prime }}^i$$
最终的梯度更新公式为：
$${\nabla }_{\theta }{\bar{R}}_{\theta }=1/N\sum _{i=1}^N\sum _t(\sum _{t^{\prime }=t}^{T_i}{\gamma }^{t^{\prime }-t}{r}_{t^{\prime }}^i-b){\nabla }_{\theta }\log p(a_t|s_t,\theta )$$

1.2 Critic

Critic并不决定action，其负责评价action的好坏，表示为$V^{\pi }(s)$, 意思是用一个actor $\pi$,在当前状态为$s$的情况下，从现在到一个episode结束累积的Reward的期望是多少.

如何估计Critic?

1. 蒙特卡洛方法: 让Critic看actor玩游戏, 当前state为$s$时,在游戏结束的Reward总和为$r$,所以这就是一个回归问题. 让Critic输入为$s$时,输出为$r$.
2. 时序差分方法: 对于序列中的$s_t,a_t,r_t,s_{t+1}$, 有递归关系$V^{\pi }(s_t)=V^{\pi }(s_{t+1})+r_t$,也就是说$V^{\pi }(s_t)-V^{\pi }(s_{t+1})=r_t$, 因此，只需要在Critic网络中，输入$s_t$得到$V^{\pi }(s_t)$,输入$s_{t+1}$得到$V^{\pi }(s_{t+1})$,然后约束是让$V^{\pi }(s_t)-V^{\pi }(s_{t+1})$接近$r$. 这样的好处就是不需要等整个游戏结束之后再计算Critic.

还有一种Critic的方式, 称之为Q-function, 定义是$Q^{\pi }(s,a)$.意思是用一个actor $\pi$,在当前状态为$s$的情况下，采取action为$a$, 从现在到一个episode结束累积的Reward的期望是多少.

从Q-function可以引出Q-learning, 流程是这样的: 1. actor$\pi$和环境进行交互. 2. 通过MC或者时序差分方法训一个$Q$. 3. $Q$可以去选一个比$\pi$更好的actor${\pi }^{\prime }$, 然后重复上面这个过程.

上面的第三步是怎么做到的呢? 实际上, 更好的actor${\pi }^{\prime }$的本质是对于所有的$s$, $V^{{\pi }^{\prime }}(s)\ge V^{\pi }(s)$. 做到这一点, 实际上就是采取能使得$Q$最大的$a$:
$${\pi }^{\prime }(s)=\arg \underset{a}{\max }{Q}^{\pi }(s,a)$$

1.3 Actor + Critic

1.3.1 Advantage Actor-Critic($A^{2}C$)

在A2C中, actor网络的更新公式为:
$${\nabla }_{\theta }{\bar{R}}_{\theta }=1/N\sum _{i=1}^N\sum _{t}A(s_t,a_t){\nabla }_{\theta }\log p(a_t|s_t,\theta )$$
所以, 和前面传统方法不同的就是用优势函数$A$替代了原本的环境Reward真值$R(\tau )$. 优势函数的引出如下：

我们考虑采取某个动作$a$相对于平均动作的优势:
$$A(s_t,a_t)=Q(s_t,a_t)-V(s_t)$$
(我们先忽略上标$\pi$,$Q,V$的含义和上面一样)

根据时序差分的关系，可以得到
$$\hat{Q}(s_t,a_t)=r+\gamma V(s_{t+1})$$
(上式的含义就是对于$t$往后的平均reward大概等于当前的环境reward$r$ 加上 从$t+1$往后的reward均值)

代入上面的式子得到:
$$A(s_t,a_t)=Q(s_t,a_t)-V(s_t)=r+\gamma V(s_{t+1})-V(s_t)$$

所以$A$实际上可以和$a_t$是没有关系的。

让上面的式子$\gamma =1$, 还可以写成:
$$A(s_t,a_t)=r+V(s_{t+1})-V(s_t)=r-(V(s_t)-V(s_{t+1}))$$
第一项是采取当前action的环境真实reward，第二项是对于actor$\pi$来说这一步的平均reward. 所以说, 优势函数描述了当前action在平均意义上的优势程度. 如果优势程度比较大, 那么我们就鼓励这种action的发生. 上面的式子还可以看出, 相当于给环境的reward加了一个动态的bias.

然后，别忘了$V(s_t)$是直接由价值网络预测的，价值网络的训练就是一个回归问题，尽量贴近环境真实的reward. 参见1.2 Critic

A2C等actor+critic相比于前面的传统方法，主要是解决这几个问题：

1. 传统的方法过度依赖环境的Reward，但是环境的Reward通常不够稳定；而Q-learning通过学习动作价值预测函数来选择最优动作，不直接优化策略，可能会导致策略更新滞后。
2. Critic的价值估计为Actor提供了更直接的反馈，减少了策略探索的盲目性，加速了学习过程。
3. Actor-Critic方法可以在每一步都更新策略和价值函数，充分利用每个样本的信息，提高样本效率。

1.3.2 Async Advantage Actor-Critic($A^{3}C$)

A3C就是A2C的异步版本, 允许多个代理同时在不同环境中采样和更新，显著提高采样效率。

2. Inverse RL

对于没有reward function(比如机器人操作), 而只有一对trajectory的示例(或者说episode的示例), 那就需要IL来学习.

Inverse RL的核心是: 老师(也就是已经有的一堆trajectory)永远是对的.

所以说核心步骤如下: (核心概念就是先射箭在画靶)

1. 初始化一个actor
2. 在每个迭代中:
   1. actor和环境互动, 得到一些trajectory
   2. 定义一个reward function, 它使得teacher的trajectory永远比actor的要好
   3. actor的目的就是最大化reward
3. 输出reward function和actor

所以IRL和GAN异曲同工:

3. PPO 近端策略优化

近端策略优化（Proximal Policy Optimization，PPO）是一种强化学习算法，用于训练智能体通过与环境的交互来学习最优策略。它是深度强化学习中的一种策略梯度方法，目的是在更新策略时确保“过度更新”不会导致性能下降。

3.1 PPO的引出

我们再看一下1.3.1节的Actor-Critic范式里Actor的梯度更新公式：
$${\nabla }_{\theta }{\bar{R}}_{\theta }=1/N\sum _{i=1}^N\sum _{t}A(s_t,a_t){\nabla }_{\theta }\log p(a_t|s_t,\theta )$$
再复习一下，第一个$\sum$中的$i$表示轨迹（或者episode）的序号，第二个$\sum$的$t$表示轨迹中第$t$步（的状态或动作）。为了简化，我们先只考虑一个轨迹：
∇ θ R ˉ θ = ∑ t A ( s t , a t ) ∇ θ log ⁡ p ( a t ∣ s t , θ ) ∼ E ( s t , a t ) ∼ π θ { A ( s t , a t ) ∇ θ log ⁡ p θ ( a t ∣ s t ) } \nabla_\theta\bar{R}_{\theta}=\sum_t A(s_t,a_t) \nabla_\theta \log p(a_t|s_t,\theta) \\ \sim \mathbb{E}_{(s_t,a_t)\sim \pi_\theta} \{A(s_t,a_t) \nabla_\theta \log p_\theta(a_t|s_t) \} ∇θ​Rˉθ​=t∑​A(st​,at​)∇θ​logp(at​∣st​,θ)∼E(st​,at​)∼πθ​​{A(st​,at​)∇θ​logpθ​(at​∣st​)}
其中，$\sim$是一个正比关系，因为上面是求和，下面是平均，实际上就差一个系数，我们先不管。$\mathbb{E}$的下标表示状态和动作是从参数为$\theta$的actor${\pi }_{\theta }$中采样得来的。

**于是发现一个问题：**如果按这种方式更新，那么流程就是，用actor${\pi }_{\theta }$和环境交互，得到一系列的$(s_t,a_t)$, 然后梯度更新之后，更新了参数$\theta$. 然而，我们的$(s_t,a_t)$是从${\pi }_{\theta }$中采样来的，所以参数更新之后，我们需要重新采样！效率很低。这种方式称为on-policy。

那么怎么解决这个问题？我们就需要使得$(s_t,a_t)$的采样和要更新的参数$\theta$无关，这样我们就可以重复利用采样的数据，多次充分训练。这种方式称为off-policy。

具体怎么做呢？

我们先考虑这么一个问题：我们想求${\mathbb{E}}_{x\sim p}[f(x)]$，但是我不希望$x$从分布$p$中采样，而是希望$x$从另一个分布$q$中采样，同时还能估计这个概率值。于是写出：
$${\mathbb{E}}_{x\sim p}[f(x)]=\int f(x)p(x)dx=\int f(x)\frac{p(x)}{q(x)}q(x)dx={\mathbb{E}}_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$$
但是这样就万事大吉了吗？对$p,q$的接近程度是否有要求呢？均值相同，但是方差不一定相同。我们考察
$$\begin{gathered} {\mathbb{D}}_{x\sim p}[f(x)]={\mathbb{E}}_{x\sim p}[f^2(x)]-{\mathbb{E}}_{x\sim p}^2[f(x)] \\ {\mathbb{D}}_{x\sim q}[f(x)\frac{p(x)}{q(x)}]={\mathbb{E}}_{x\sim q}[(f(x)\frac{p(x)}{q(x)}{)}^2]-{\mathbb{E}}_{x\sim q}^2[f(x)\frac{p(x)}{q(x)}] \\ =\int (f(x)\frac{p(x)}{q(x)}{)}^{2}q(x)dx-{\mathbb{E}}_{x\sim p}^2[f(x)] \\ =\int f^2(x)\frac{p(x)}{q(x)}p(x)dx-{\mathbb{E}}_{x\sim p}^2[f(x)]={\mathbb{E}}_{x\sim p}[f^2(x)\frac{p(x)}{q(x)}]-{\mathbb{E}}_{x\sim p}^2[f(x)] \end{gathered}$$
所以，对于方差来说，${\mathbb{D}}_{x\sim q}[f(x)\frac{p(x)}{q(x)}]$的第一项里面多乘了一个$\frac{p(x)}{q(x)}$. 所以，如果两个分布相差很大，那么方差也会相差很大，即采样的点会特别不同，那么明显不是一个好的估计。所以说，约束$p,q$不要相差的太远是很必要的.

好，那我们一会再说如何约束，先看看，如果当前更新的参数是$\theta$，能不能从另一个分布${\theta }^{\prime }$去采样从而可以充分利用数据。我们通过上面的结论，假设，在actor${\pi }_{\theta }$下$(s_t,a_t)$的联合概率密度函数为$p_{\theta }(s_t,a_t)$, 在另一个actor${\pi }_{{\theta }^{\prime }}$下$(s_t,a_t)$的联合概率密度函数为$p_{{\theta }^{\prime }}(s_t,a_t)$. 根据上面的结论立即写出
E ( s t , a t ) ∼ π θ { A ( s t , a t ) ∇ θ log ⁡ p θ ( a t ∣ s t ) } = E ( s t , a t ) ∼ π θ ′ { p θ ( s t , a t ) p θ ′ ( s t , a t ) A ( s t , a t ) ∇ θ log ⁡ p θ ( a t ∣ s t ) } \mathbb{E}_{(s_t,a_t)\sim \pi_\theta} \{A(s_t,a_t) \nabla_\theta \log p_\theta(a_t|s_t) \} \\ = \mathbb{E}_{(s_t,a_t)\sim \pi_{\theta'}} \{\frac{p_\theta (s_t,a_t)}{p_{\theta'} (s_t,a_t)} A(s_t,a_t) \nabla_\theta \log p_\theta(a_t|s_t)\} E(st​,at​)∼πθ​​{A(st​,at​)∇θ​logpθ​(at​∣st​)}=E(st​,at​)∼πθ′​​{pθ′​(st​,at​)pθ​(st​,at​)​A(st​,at​)∇θ​logpθ​(at​∣st​)}
又因为
$$\frac{p_{\theta }(s_t,a_t)}{p_{{\theta }^{\prime }}(s_t,a_t)}=\frac{p_{\theta }(a_t|s_t)p_{\theta }(s_t)}{p_{{\theta }^{\prime }}(a_t|s_t)p_{{\theta }^{\prime }}(s_t)}\approx \frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^{\prime }}(a_t|s_t)}$$

上述约等于号的原因是，1. 我们很难估计$p(s_t)$ 2. 其实在不同的actor下，可能某个状态出现的概率是近似相等的。

所以
E ( s t , a t ) ∼ π θ { A ( s t , a t ) ∇ θ log ⁡ p θ ( a t ∣ s t ) } = E ( s t , a t ) ∼ π θ ′ { p θ ( a t ∣ s t ) p θ ′ ( a t ∣ s t ) A ( s t , a t ) ∇ θ log ⁡ p θ ( a t ∣ s t ) } ( ∇ log ⁡ f ( x ) = ∇ f ( x ) f ( x ) ) = E ( s t , a t ) ∼ π θ ′ { ∇ p θ ( a t ∣ s t ) p θ ′ ( a t ∣ s t ) A ( s t , a t ) } \mathbb{E}_{(s_t,a_t)\sim \pi_\theta} \{A(s_t,a_t) \nabla_\theta \log p_\theta(a_t|s_t) \} \\ = \mathbb{E}_{(s_t,a_t)\sim \pi_{\theta'}} \{\frac{p_\theta (a_t|s_t)}{p_{\theta'} (a_t|s_t)} A(s_t,a_t) \nabla_\theta \log p_\theta(a_t|s_t)\} \\ (\nabla \log f(x) = \frac{\nabla f(x)}{f(x)})= \mathbb{E}_{(s_t,a_t)\sim \pi_{\theta'}} \{\frac{ \nabla p_\theta (a_t|s_t)}{p_{\theta'} (a_t|s_t)} A(s_t,a_t) \} E(st​,at​)∼πθ​​{A(st​,at​)∇θ​logpθ​(at​∣st​)}=E(st​,at​)∼πθ′​​{pθ′​(at​∣st​)pθ​(at​∣st​)​A(st​,at​)∇θ​logpθ​(at​∣st​)}(∇logf(x)=f(x)∇f(x)​)=E(st​,at​)∼πθ′​​{pθ′​(at​∣st​)∇pθ​(at​∣st​)​A(st​,at​)}

注意，$A(s_t,a_t)$这个量理论上也是与$\theta$有关的，但是这种优势函数最主要还是受reward和state的影响，还是跟环境影响大，所以在更换参数前后不做区分。

所以，令
R ˉ θ = E ( s t , a t ) ∼ π θ ′ { p θ ( a t ∣ s t ) p θ ′ ( a t ∣ s t ) A ( s t , a t ) } \bar{R}_{\theta} = \mathbb{E}_{(s_t,a_t)\sim \pi_{\theta'}} \{\frac{ p_\theta (a_t|s_t)}{p_{\theta'} (a_t|s_t)} A(s_t,a_t) \} Rˉθ​=E(st​,at​)∼πθ′​​{pθ′​(at​∣st​)pθ​(at​∣st​)​A(st​,at​)}
那么我们就按照$\nabla_\theta \bar{R}_{\theta} $更新参数。

那么，话说回来，我们如何约束$p_{\theta }$和$p_{{\theta }^{\prime }}$的相似性？PPO-1算法指出，可以这样定义：
R ˉ θ = E ( s t , a t ) ∼ π θ ′ { p θ ( a t ∣ s t ) p θ ′ ( a t ∣ s t ) A ( s t , a t ) } − β K L ( p θ , p θ ′ ) \bar{R}_{\theta} = \mathbb{E}_{(s_t,a_t)\sim \pi_{\theta'}} \{\frac{ p_\theta (a_t|s_t)}{p_{\theta'} (a_t|s_t)} A(s_t,a_t) \} - \beta KL(p_\theta, p_{\theta'}) Rˉθ​=E(st​,at​)∼πθ′​​{pθ′​(at​∣st​)pθ​(at​∣st​)​A(st​,at​)}−βKL(pθ​,pθ′​)
其中KL散度的作用是，在最大化上面的式子，就需要最小化KL，也就是要让两个分布尽量接近。有的时候，也会采取动态$\beta$参数，也就是如果KL太小了，说明模型过度关注要让两个分布接近，那么就减少$\beta$，否则，就增大$\beta$.

3.2 PPO-2流程以及伪代码

相比于PPO-1，PPO-2具有更简洁的形式，它通过限制每次更新策略的变化幅度，来避免策略更新时的巨大波动。具体来说，它通过引入一个“剪切”目标函数（clipped objective），来约束策略更新的范围，从而避免策略的突然变化。

PPO的更新方式如下：
R ˉ θ = 1 / N ∑ i = 1 N ∑ t min ⁡ { r t ( θ ) A ( s t , a t ) , clip ( 1 − ϵ , 1 + ϵ ) A ( s t , a t ) } \bar{R}_{\theta} = 1/N \sum_{i=1}^N \sum_t \min \{r_t(\theta)A(s_t,a_t),\text{clip}(1 - \epsilon,1 + \epsilon) A(s_t,a_t)\} Rˉθ​=1/Ni=1∑N​t∑​min{rt​(θ)A(st​,at​),clip(1−ϵ,1+ϵ)A(st​,at​)}
其中$r_t(\theta )=\frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^{\prime }}(a_t|s_t)}$, 是当前策略与旧策略的比值,

$A(s_t,a_t)$就是优势函数，可以按照1.3.1节中的计算方式去计算，但是更常用的是广义优势估计（GAE）的方法，公式如下：
$$A(s_t,a_t)={\delta }_t+(\lambda \gamma ){\delta }_{t+1}+(\lambda \gamma {)}^2{\delta }_{t+2}+\dots$$
其中${\delta }_t$是从$t$时刻开始到结束的平均reward，计算方式恰好是1.3.1节中的$A$, 也即：
$${\delta }_t=r+\gamma V(s_{t+1})-V(s_t)$$
取min的深意是什么？可以看下面这个图。图的横纵坐标是$r_t(\theta )=\frac{p_{\theta }(a_t|s_t)}{p_{{\theta }^{\prime }}(a_t|s_t)}$. 如果现在的A是正的，红色线是取min之后的总体结果。A是正的说明现在的action比较好，我们自然希望增大$p_{\theta }(a_t|s_t)$. 但是，也不能太大，因为太大之后分布差异太大，我们反而无法获益于从不同分布采样带来的好处（参见上一节）。所以，要限制。同理，A是负的时候，红线是取min的结果（乘负数大小相反）。A是负的我们希望减小$p_{\theta }(a_t|s_t)$. 但是，也不能太小，道理是一样的。

伪代码如下：

# 初始化策略网络 π_θ 和价值网络 V_φ，设置超参数
初始化策略网络 π_θ 和价值网络 V_φ
设置折扣因子 γ，GAE 参数 λ，剪切参数 ε，学习率 α，批次大小 N
设置最大更新步数 T，最大训练轮数 K

for 每个训练轮次 k in 1 到 K:
    # 收集数据
    初始化存储容器，存储状态 s, 动作 a, 奖励 r, 下一状态 s' 和折扣回报
    for 每个时间步 t in 1 到 T:
        通过策略网络 π_θ 选择动作 a_t 在状态 s_t 上
        与环境交互，获得奖励 r_t 和下一个状态 s_{t+1}
        存储 (s_t, a_t, r_t, s_{t+1}) 到存储容器

    # 计算优势估计 (GAE)
    对于每个时间步 t 从 T-1 到 1 反向计算：
        计算 TD 残差 δ_t = r_t + γ * V_φ(s_{t+1}) - V_φ(s_t)
        计算优势估计 \hat{A}_t 使用 GAE
        进行优势估计平滑

    # 更新策略和价值网络
    对每个 mini-batch（大小 N）进行迭代：
        # 计算重要性采样比 r_t(θ)
        r_t(θ) = π_θ(a_t | s_t) / π_θ_old(a_t | s_t)

        # 计算损失函数 L_CLIP
        L_CLIP = E_t[ min(r_t(θ) * \hat{A}_t, clip(r_t(θ), 1-ε, 1+ε) * \hat{A}_t) ]

        # 可选：加上熵正则化项 H(π_θ)
        L = L_CLIP + β * H(π_θ)

        # 更新策略网络参数 θ
        计算 L 对 θ 的梯度
        更新 θ = θ + α * 梯度

        # 更新价值网络参数 φ
        计算价值网络损失函数 L_critic
        更新 φ = φ - α * 梯度（使用 TD 错误的均方误差）

    # 更新旧策略网络 π_θ_old
    复制当前策略网络参数 π_θ 到 π_θ_old

返回 最终的策略 π_θ

在实践中一般取$ϵ=0.2$

参考学习链接：https://www.zhihu.com/tardis/bd/art/717010380