1.训练环境如何正确编写

强化学习里的 env.reset() env.step() 就是训练环境。其编写流程如下：

先写一个简化版的训练环境。把任务难度降到最低，确保一定能正常训练。记录正常训练的智能体的分数，与随机动作、传统算法得到的分数做比较。

DRL算法的分数应该明显高于随机动作（随机执行动作）。DRL算法不应该低于传统算法的分数。如果没有传统算法，那么也需要自己写一个局部最优的算法

评估策略的性能: 大部分情况下，可以直接是对Reward Function 给出的reward 进行求和得到的每轮收益episode return作为策略评分。有时候可以需要直接拿策略的实际分数作为评分

需要保证这个简化版的代码：高效、简洁、可拓展

让任务难度逐步提高，对训练环境env 进行缓慢的修改，时刻保存旧版本的代码同步微调 Reward Function，可以直接代入自己的人类视角，为某些行为添加正负奖励。注意奖励的平衡（有正有负）。注意不要为Reward Function 添加太多额外规则，时常回过头取消一些规则，避免过度矫正。

同步微调 DRL算法，只建议微调超参数，但不建议对算法核心进行修改。因为任务变困难了，所以需要调整超参数让训练变快。同时摸清楚在这个训练环境下，算法对哪几个超参数是敏感的。有时候为了节省时间，甚至可以为 off-policy 算法保存一些典型的 trajectory（不建议在最终验证阶段使用）。

每一次修改，都需要跑一下记录不同方法的分数，确保：随机动作 < 传统方法 < DRL算法。这样才能及时发现代码逻辑上的错误。要极力避免代码中出现复数个的错误，因为极难排查。

尝试慢慢删掉Reward Function 中一些比较复杂的东西，删不掉就算了。

选择高低两组超参数再跑一次，确认没有优化空间。

2. 超参数解释分析

• 网络宽度： network dimension number。DRL 全连接层的宽度（特征数量）
• 网络层数： network layer number。一个输入张量到输出需要乘上w的次数
• 随机失活： dropout
• 批归一化： batch normalization
• 记忆容量： 经验回放缓存 experimence replay buffer 的最大容量 max capacity
• 批次大小： batch size。使用优化器更新时，每次更新使用的数据数量
• 更新次数：update times。使用梯度下降更新网络的次数
• 折扣因子： discount factor、gamma

【网络宽度、网络层数】 越复杂的函数就需要越大容量的神经网络去拟合。在需要训练1e6步的任务中，我一般选择 宽度128、256，层数小于8的网络（请注意，乘以一个w算一层，一层LSTM等于2层）。使用ResNet等结构会有很小的提升。一般选择一个略微冗余的网络容量即可，把调整超参数的精力用在这上面不划算，我建议这些超参数都粗略地选择2的N次方，

因为：防止过度调参，超参数选择x+1 与 x-1并没有什么区别，但是 x与2x一定会有显著区别
2的N次方大小的数据，刚好能完整地放进CPU或GPU的硬件中进行计算，如Tensor Core
过大、过深的神经网络不适合DRL，


因为：深度学习可以在整个训练结束后再使用训练好的模型。
而强化学习需要在几秒钟的训练后马上使用刚训好的模型。
这导致DRL只能用比较浅的网络来保证快速拟合（10层以下）
并且强化学习的训练数据不如有监督学习那么稳定，无法划分出训练集测试集去避免过拟合，
因此DRL也不能用太宽的网络（超过1024），避免参数过度冗余导致过拟合

【dropout、批归一化】 她们在DL中得到广泛地使用，可惜不适合DRL。如果非要用，那么也要选择非常小的 dropout rate（0~0.2），而且要注意在使用的时候关掉dropout。我不用dropout。

好处：在数据不足的情况下缓解过拟合；像Noisy DQN那样去促进策略网络探索

坏处：影响DRL快速拟合的能力；略微增加训练时间

【批归一化】 经过大量实验，DRL绝对不能直接使用批归一化，如果非要用，那么就要修改Batch Normalization的动量项超参数。

【记忆容量】 经验回放缓存 experimence replay buffer 的最大容量 max capacity，如果超过容量限制，它就会删掉最早的记忆。在简单的任务中（训练步数小于1e6），对于探索能力强的DRL算法，通常在缓存被放满前就训练到收敛了，不需要删除任何记忆。然而，过大的记忆也会拖慢训练速度，我一般会先从默认值 2 ** 17 ~ 2 ** 20 开始尝试，如果环境的随机因素大，我会同步增加记忆容量 与 batch size、网络更新次数，直到逼近服务器的内存、显存上限（放在显存训练更快）

【批次大小、更新次数】 一般我会选择与网络宽度相同、或略大的批次大小batch size。我一般从128、256 开始尝试这些2的N次方。在off-policy中，每往Replay 更新几个数据，就对应地更新几次网络，这样做简单，但效果一般。（深度学习里）更优秀的更新方法是：根据Replay中数据数量，成比例地修改更新次数。Don't Decay the Learning Rate, Increase the Batch Size. ICLR. 2018 。，经过验证，DRL也适用。

【折扣因子】 discount factor、discount-rate parameter 或者叫 gamma 。0.99

同策略（A3C、PPO、PPO+GAE）与异策略（DQN、DDPG、TD3、SAC）的主要差异是：

• 异策略off-policy：ReplayBuffer内可以存放“由不同策略”收集得到的数据用于更新网络

• 同策略on-policy：ReplayBuffer内只能存放“由相同策略”收集得到的数据用于更新网络

  因此以下超参数有不同的选择方法：

• 记忆容量：经验回放缓存 experimence replay buffer 的最大容量 max capacity

• 批次大小：batch size。使用优化器更新时，每次更新使用的数据数量

• 更新次数：update times。使用梯度下降更新网络的次数

【记忆容量】 on-policy 算法每轮更新后都需要删除“用过的数据”，所以on-policy的记忆容量应该大于等于【单轮更新的采样步数】，随机因素更多的任务需要更大的单层采样步数才能获得更多的 轨迹 trajectory，才能有足够的数据去表达环境与策略的互动关系。详见下面PPO算法的【单轮更新的采样步数】

【批次大小】 on-policy 算法比off-policy更像深度学习，它可以采用稍大一点的学习率（2e-4）。因为【单轮更新的采样步数】更大，所以它也需要搭配更大的batch size（29 ~ 212）。如果内存显存足够，我建议使用更大的batch size，我发现一些很难调的任务，在很大的batch size（2 ** 14） 面前更容易获得单调上升的学习曲线（训练慢但是及其稳定，多GPU分布式）。请自行取舍。

【更新次数】 一般我们不直接设置更新次数，而是通过【单轮更新的采样步数】、【批次大小】和【数据重用次数】一同算出【更新次数】，详见下面PPO算法的【数据重用次数】

3. TD3特有的超参数

• 探索噪声方差 exploration noise std
• 策略噪声方差 policy noise std
• 延迟更新频率 delay update frequency

如果你擅长调参，那么可以可以考虑TD3算法。如果你的算法的最优策略通常是边界值，那么你首选的算法就是TD3----最佳策略总在动作边界

【TD3的探索方式】 让其很容易在探索「边界动作」：

• 策略网络输出张量，经过激活函数 tanh 调整到 (-1, +1)
• 为动作添加一个clip过的高斯噪声，噪声大小由人类指定
• 对动作再进行一次clip操作，调整到 (-1， +1)

好处： 一些任务的最优策略本就存在存在大量边界动作，TD3可以很快学得很快。

坏处： 边界动作都是 -1或 +1，这会降低策略的多样性，网络需要在多样性好数据上训练才不容易过拟合。对于clip 到正负1之间的action，过大的噪声方差会产生大量边界动作 。

【探索噪声方差 exploration noise std】 就是上图中的s。需要先尝试小的噪声方差（如0.05），然后逐渐加大。大的噪声方差刻意多探索边界值，特定任务下能让探索更快。且高噪声下训练出来的智能体更robust（稳健、耐操）。

请注意：过大的噪声方差（大于上图蓝线的0.5）并不会让探索动作接近随机动作，而是让探索动作更接近单一的边界动作。此外，过大的噪声会影响智能体性能，导致她不容易探索到某些state。

因此，合适的探索噪声方差只能慢慢试出来，TD3适合愿意调参的人使用。在做出错误动作后容易挽回的环境，可以直接尝试较大的噪声。

我们也可以模仿 epslion-Greedy，设置一个使用随机动作的概率，或者每间隔几步探索就不添加噪声，甚至也在TD3中使用探索衰减。这些操作都会增加超参数的数量，慎用。

【策略噪声方差 policy noise std】 确定了探索噪声后，策略噪声只需要比探索噪声稍大（1~2倍）。TD3对策略噪声的解释是“计算Q值时，因为相似的动作的Q值也是相似的，所以TD3也为动作加一个噪声，这能使Q值函数更加光滑，提高训练稳定性 我们还能多使用几个添加噪声的动作，甚至使用加权重要性采样去算出更稳定的Q值期望。在确定策略梯度算法里的这种“在计算Q值时，为动作加noise的操作”，让TD3变得有点像随机策略梯度。无论是否有clip，策略噪声方差最大也不该超过0.5。

【延迟更新频率 delay update frequency】 TD3认为：引入目标网络进行 soft update 就是为了提高训练稳定性，那么既然 network 不够稳定，那么我们应该延迟更新目标网络 target network，即多更新几次 network，然后再更新一次target network。从这个想法再拓展出去，我们甚至可以模仿TTUR的思想做得更细致一点，针对双层优化问题我们能做：

环境随机因素多，则需要尝试更大的延迟更新频率，可尝试的值有 1~8，默认值为2

提供策略梯度的critic可以多更新几次，再更新一次actor，可尝试的值有 1~4<

提供策略梯度的critic可以设计更大的学习率，例如让critic的学习率是actor 的1~10倍

由于critic 需要处理比 actor 更多的数据，因此建议让critic网络的宽度略大于actor

4. SAC特有的超参数

尽管下面列举了4个超参数，但是后三个超参数可以直接使用默认值（默认值只会有限地影响训练速度），第一个超参数甚至可以直接通过计算选择出来，不需要调整。

• reward scale 按比例调整奖励

• alpha 温度系数 或 target entropy 目标 策略熵

• learning rate of alpha 温度系数 alpha 的学习率

• initialization of alpha 温度系数 alpha 的初始值

  SAC有极少的超参数，甚至这些超参数可以在训练开始前就凭经验确定。

  任何存在多个loss相加的目标函数，一定需要调整系数 lambda，例如SAC算法、共享了actor critic 网络的A3C或PPO，使用了辅助任务的PPG。我们需要确定好各个 lambda 的比例。SAC的第二篇论文加入了自动调整 温度系数 alpha 的机制，处于lambda2位置的温度alpha 已经用于自动调整策略熵了，所以我们只能修改lambda1。

reward scaling 是指直接让reward 乘以一个常数k (reward scale)，在不破坏reward function 的前提下调整reward值，从而间接调整Q值到合适的大小。 修改reward scale，相当于修改lambda1，从而让可以让 reward项 和 entropy项 它们传递的梯度大小接近。与其他超参数不同，只要我们知晓训练环境的累计收益范围，我们就能在训练前，直接随意地选定一个reward scaling的值，让累计收益的范围落在 -1000~1000以内即可，不需要精细调整：

【温度系数、目标策略熵】 Temperature parameters (alpha)、target 'policy entropy'。SAC的第二篇论文加入了自动调整 温度系数 alpha 的机制：通过自动调整温度系数，做到让策略的熵维持在目标熵的附近（不让alpha过大而影响优化，也不让alpha过小而影响探索）

策略熵的默认值是 动作的个数 的负log，详见SAC的第二篇论文 section 5 Automating Entropy Adjustment for Maximum Entropy 。SAC对这个超参数不敏感，一般不需要修改。有时候策略的熵太大将导致智能体无法探索到某些有优势的state，此时需要将目标熵调小。

【温度系数 alpha 的学习率】 learning rate of alpha 温度系数alpha 最好使用 log 形式进行优化，因为alpha是表示倍数的正数。一般地，温度系数的学习率和网络参数的学习率保持一致（一般都是1e-4）。当环境随机因素过大，导致每个batch 算出来的策略熵 log_prob 不够稳定时，我们需要调小温度系数的学习率。

【温度系数 alpha 的初始值】 initialization of alpha 温度系数的初始值可以随便设置，只要初始值不过于离奇，它都可以被自动调整为合适的值。一般偷懒地将初始值设置为 log(0) 其实过大了，这会延长SAC的预热时间，我一般设置成更小的数值，详见 The alpha loss calculating of SAC is different from other repo · Issue #10 · Yonv1943/ElegantRL 。

5. 自己模型训练调参记录（TD3）

常规参数：

无人机初始位置

用户初始位置

无人机覆盖半径(米)

最大关联数

UAV飞行距离

【20，180】

【20，180】

【75，100】

【20，30】

【0，30】

时延记录:

前景（MB）

0.125

0.5

1

1.25

--

--

--

--

--

背景(MB)

0.5

2

4

5

local(ms)

13

52

105

---

UAV(ms)

47

29.4

39.7

---

coop(ms)

44

29.6

38.2

----

超参数：

ACTOR_LR

CRITIC_LR

BATCH_SIZE

GAMMA

TAU

--

--

--

--

--

【1e-4 ，1e-5】

【1e-3 ，1e-4】

【256，512】

0.99】

0.005

EXPL_NOISE

policy_noise

noise_clip

policy_freq

hid_size

0.1、0.05

0.2、0.1

0.5

【1，8】默认：2

【128，512】

目前采用组合有如下：

• ACTOR_LR = 1e-4 # Actor网络的 learning rate 学习率 1e-3
• CRITIC_LR = 1e-3 # Critic网络的 learning rate 1e-3
• EXPL_NOISE = 0.05 # 动作噪声方差
• self.hid_size=256
• self.hid1_size=128
• policy_noise=0.1,
• noise_clip=0.5,
• policy_freq=2

可以看到模型训练的稳定性和收敛效果越来越好，调多了你也就知道哪些超参数影响的大了

• 如果在策略网络没有更新的情况下，Agent在环境中得到的分数差异过大。那么这是环境发生改变造成的：

  -1. 每一轮训练都需要 env.reset()，然而，有时候重置环境会改变难度，这种情况下造成的波动无法消除。

  -2. 有时候是因为DRL算法的泛化性不够好。此时我们需要调大相关参数增加探索，以训练出泛化性更好的策略。

• 如果在策略网络没有更新的情况下，Agent在环境中得到的分数差异较小。等到更新后，相邻两次的分数差异很大。那么这是环境发生改变造成的： 1. 把 learning rate 调小一点。2. 有时候是因为算法过度鼓励探索而导致的，调小相关参数即可。