rlTRPOAgent
信任域策略优化强化学习代理
描述
信任区域策略优化(TRPO)是一种无模型、在线、策略上、策略梯度强化学习方法。与标准策略梯度方法相比，该算法通过将更新的策略保持在接近当前策略的信任区域内，从而防止了显著的性能下降。动作空间可以是离散的，也可以是连续的。
有关TRPO代理的更多信息，请参见信任区域策略优化代理．有关不同类型的强化学习代理的更多信息，请参见强化学习代理．
创建
语法
描述
根据观察和行动规格创建代理
代理= rlTRPOAgent (observationInfo，actionInfo）observationInfo以及动作规范actionInfo．的ObservationInfo而且ActionInfo的属性代理设置为observationInfo而且actionInfo分别输入参数。
代理= rlTRPOAgent (observationInfo，actionInfo，initOpts）initOpts对象。TRPO代理不支持循环神经网络。金宝app有关初始化选项的详细信息，请参见rlAgentInitializationOptions．
指定代理选项
代理= rlTRPOAgent (___，agentOptions）agentOptions输入参数。在前面语法中的任何输入参数之后使用此语法。
输入参数
属性
对象的功能
例子
根据观察和行动规范创建离散TRPO代理
创造一个具有离散动作空间的环境，并获得其观察和动作规范。对于本例，加载示例中使用的环境使用深度网络设计器创建代理，并使用图像观察进行训练．这个环境有两个观测值:一个50 × 50的灰度图像和一个标量(钟摆的角速度)。动作是一个有五个可能元素的标量(一个扭矩为-)2,1，0，1,或2Nm适用于秋千杆)。
负载百分比预定义环境环境= rlPredefinedEnv(“SimplePendulumWithImage-Discrete”）;
获取该环境的观察和操作规范。
obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
代理创建函数随机初始化演员网络和评论家网络。你可以通过固定随机生成器的种子来确保重现性。为此，取消注释下面的行。
% rng (0)
根据环境观察和操作规范创建TRPO代理。
agent = rlTRPOAgent(obsInfo,actInfo);
要检查代理，请使用getAction从随机观察中返回动作。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1x1单元阵列{[2]}
现在可以在环境中测试和训练代理。
使用初始化选项创建连续TRPO代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本例，加载示例中使用的环境训练DDPG Agent用图像观察摆动和平衡摆．这个环境有两个观测值:一个50 × 50的灰度图像和一个标量(钟摆的角速度)。动作是表示扭矩的标量，范围从-连续2来2Nm。
环境= rlPredefinedEnv(“SimplePendulumWithImage-Continuous”）;
获取该环境的观察和操作规范。
obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
创建一个代理初始化选项对象，指定网络中每个隐藏的全连接层必须具有128神经元。
initOpts = rlAgentInitializationOptions“NumHiddenUnit”, 128);
代理创建函数随机初始化演员网络和评论家网络。你可以通过固定随机生成器的种子来确保重现性。为此，取消注释下面的行。
% rng (0)
使用指定的初始化选项从环境观察和操作规范创建TRPO代理。
agent = rlTRPOAgent(obsInfo,actInfo,initOpts);
从行动者和评论家中提取深度神经网络。
actorNet = getModel(代理);criticNet = getModel(get批评家(代理));
您可以验证网络在其隐藏的全连接层中有128个单元。例如，显示评论家网络的层次。
criticNet。层
ans = 11x1带有图层的图层数组:1的concat串联连接2输入沿着维度1 2的relu_body ReLU ReLU 3“fc_body”完全连接128完全连接层4的body_output ReLU ReLU 5 input_1的图像输入50 x50x1图片6 conv_1卷积64 3 x3x1旋转步[1]和填充[0 0 0 0]7‘relu_input_1 ReLU ReLU 8“fc_1”完全连接128完全连接层9“input_2”功能输入1功能10“fc_2”完全连接128完全连接层11“输出”完全连接1完全连接层
要检查代理，请使用getAction从随机观察中返回动作。
getAction(代理,{兰特(obsInfo (1) .Dimension),兰德(obsInfo (2) .Dimension)})
ans =1x1单元阵列{[0.9228]}
现在可以在环境中测试和训练代理。
创建信任区域策略优化代理
创建环境接口，获取其观察和操作规范。
环境= rlPredefinedEnv(“CartPole-Discrete”）;obsInfo = getObservationInfo(env);actInfo = getActionInfo(env);
创建一个深度神经网络，用作评论家内部的近似模型。对于PPO代理，评论家估计一个值函数，因此它必须以观测信号为输入，并返回一个标量值。
criticNetwork = [featureInputLayer(prod(obsInfo.Dimension))，.．.“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (1,“名字”，“CriticFC”));
使用criticNetwork．TRPO代理使用rlValueFunction对象来实现批评家。
批评家= rlValueFunction(criticNetwork,obsInfo);
为评论家设置一些训练选项。
criticOpts = rlOptimizerOptions(.．.“LearnRate”, 8 e - 3,“GradientThreshold”1);
创建一个深度神经网络，用作actor内的近似模型。对于TRPO代理，行为体执行随机策略，对于离散动作空间，由离散类别行为体执行随机策略。在这种情况下，网络必须将观察信号作为输入，并返回每个动作的概率。因此，输出层必须拥有与可能的操作数量一样多的元素。
actorNetwork = [featureInputLayer(prod(obsInfo.Dimension))，.．.“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer(元素个数(actInfo.Dimension),.．.“名字”，“行动”));
使用以下命令创建参与者actorNetwork．PPO代理商使用rlDiscreteCategoricalActor对象来实现离散操作空间的参与者。
actor = rlDiscreteCategoricalActor(actorNetwork,obsInfo,actInfo);
指定代理选项，并使用环境、参与者和评论家创建TRPO代理。
agentOpts = rlTRPOAgentOptions(.．.“ExperienceHorizon”, 1024,.．.“DiscountFactor”, 0.95,.．.“CriticOptimizerOptions”, criticOpts);agent = rlTRPOAgent(actor，批评家，agentOpts)
agent = rlTRPOAgent with properties: AgentOptions: [1x1 rl.option.]rlTRPOAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlFiniteSetSpec] SampleTime: 1
要检查代理，请使用getAction从随机观察中返回动作。
getAction(代理,{兰德(obsInfo.Dimension)})
ans =1x1单元阵列{[-10]}
现在可以针对环境测试和训练代理。
创建连续TRPO代理
创造一个具有连续动作空间的环境，并获得其观察和动作规范。对于本例，加载双积分器连续动作空间环境所使用的实例训练DDPG Agent控制双积分系统．来自环境的观测是一个包含质量的位置和速度的矢量。作用是表示施加在质量上的力的标量，范围从-连续2来2牛顿。
环境= rlPredefinedEnv(“DoubleIntegrator-Continuous”）;obsInfo = getObservationInfo(env)
obsInfo = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf名称:"states"描述:"x, dx"维度:[2 1]数据类型:"double"
getActionInfo(env)
actInfo = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf名称:"force"描述:[0x0 string]维度:[1 1]数据类型:"double"
由于动作必须包含在一个有限的范围内，因此要相应地设置动作信号的上限和下限，这样在构建行为者网络时就可以很容易地检索它们。
actInfo.LowerLimit = 2;actInfo.UpperLimit = 2;
演员网络和评论家网络是随机初始化的。你可以通过固定随机生成器的种子来确保重现性。
rng (0)
创建一个深度神经网络，用作评论家内部的近似模型。对于TRPO代理，评论家估计一个值函数，因此它必须以观测信号为输入，并返回一个标量值。
criticNet = [featureInputLayer(prod(obsInfo.Dimension))，.．.“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (10“名字”，“fc_in”) reluLayer (“名字”，“relu”) fullyConnectedLayer (1,“名字”，“出”));
使用criticNet．PPO代理商使用rlValueFunction对象来实现批评家。
评论= rlValueFunction(批评网，obsInfo);
为评论家设置一些训练选项。
criticOpts = rlOptimizerOptions(.．.“LearnRate”, 8 e - 3,“GradientThreshold”1);
创建一个深度神经网络，用作actor内的近似模型。对于PPO代理，actor执行随机策略，对于连续动作空间，该策略由连续高斯actor实现。在这种情况下，网络必须将观察信号作为输入，并为每个动作返回平均值和标准偏差值。因此，它必须有两个输出层(一个用于平均值，另一个用于标准偏差值)，每个输出层具有与动作空间维度相同的元素。
注意，标准偏差必须是非负的，平均值必须落在动作的范围内。因此，返回标准差的输出层必须是softplus或ReLU层，以强制非负性，而返回平均值的输出层必须是缩放层，以将平均值缩放到输出范围。
%输入路径层inPath = [featureInputLayer(prod(obsInfo.Dimension))，.．.“归一化”，“没有”，“名字”，“状态”) fullyConnectedLayer (10“名字”，“ip_fc”) reluLayer (“名字”，“ip_relu”) fullyConnectedLayer (1,“名字”，“ip_out”));%路径层为平均值meanPath = [fulllyconnectedlayer (15，“名字”，“mp_fc1”) reluLayer (“名字”，“mp_relu”) fullyConnectedLayer (1,“名字”，“mp_fc2”）;tanhLayer (“名字”，的双曲正切）;scalingLayer (“名字”，“mp_out”，.．.“规模”actInfo.UpperLimit)];%范围:(-2N,2N)%路径层为标准偏差sdevPath = [fullyConnectedLayer(15，“名字”，“vp_fc1”) reluLayer (“名字”，“vp_relu”) fullyConnectedLayer (1,“名字”，“vp_fc2”）;softplusLayer (“名字”，“vp_out”));%范围:(0，+Inf)将图层添加到layerGraph网络对象actorNet = layerGraph(inPath);actorNet = addLayers(actorNet,meanPath);actorNet = addLayers(actorNet,sdevPath);%连接层actorNet = connectLayers(actorNet，“ip_out”，“mp_fc1 /”）;actorNet = connectLayers(actorNet，“ip_out”，“vp_fc1 /”）;百分比图网络情节(actorNet)
使用以下命令创建参与者actorNet．PPO代理商使用rlContinuousGaussianActor对象来实现连续操作空间的参与者。
actor = rlContinuousGaussianActor(actorNet, obsInfo, actInfo，.．.“ActionMeanOutputNames”，“mp_out”，.．.“ActionStandardDeviationOutputNames”，“vp_out”，.．.“ObservationInputNames”，“状态”）;
指定代理选项，并使用actor、批评家和代理选项创建TRPO代理。
agentOpts = rlTRPOAgentOptions(.．.“ExperienceHorizon”, 1024,.．.“DiscountFactor”, 0.95,.．.“CriticOptimizerOptions”, criticOpts);agent = rlTRPOAgent(actor，批评家，agentOpts)
agent = rlTRPOAgent with properties: AgentOptions: [1x1 rl.option.]rlTRPOAgentOptions] UseExplorationPolicy: 1 ObservationInfo: [1x1 rl.util.rlNumericSpec] ActionInfo: [1x1 rl.util.rlNumericSpec] SampleTime: 1
要检查代理，请使用getAction从随机观察中返回动作。
getAction(代理,{兰德(2,1)})
ans =1x1单元阵列{[0.6668]}
现在可以在环境中测试和训练代理。
提示
对于连续操作空间，此代理不强制操作规范设置的约束。在这种情况下，必须在环境中强制执行操作空间约束。
对于PPO智能体，调优行为体网络的学习率是必要的，而对于TRPO智能体，则不需要调优。
对于高维观测，如图像，建议使用PPO, SAC或TD3试剂。
版本历史
您也可以从以下列表中选择一个网站: