Proximal Policy Optimization Algorithms
本文提出一种新的强化学习策略梯度方法族，通过与环境的交互在采样数据之间交替进行，并使用随机梯度上升优化"替代"目标函数。标准策略梯度方法对每个数据样本执行一次梯度更新，本文提出一种新的目标函数，使多个小批量更新阶段成为可能。这些新方法称为近端策略优化(proximal policy optimization, PPO)，具有信赖域策略优化(trust region policy optimization, TRPO)的一些优点，但它们实现起来更简单，更通用，并且具有更好的样本复杂度(经验上)。实验在一组基准任务上测试了PPO，包括模拟机器人运动和Atari游戏，PPO优于其他在线策略梯度方法，总体上在样本复杂性、简单性和wtime之间取得了良好的平衡。
背景：1）信赖域策略优化(trust region policy optimization, TRPO)相对复杂，与包含噪声(如dropout)或参数共享(策略和值函数之间，或与辅助任务)的架构不兼容。
2）为了优化策略，我们轮流从策略中采样数据，并对采样数据执行多个时段的优化。
2.1 Policy Gradient Methods
2.2 Trust Region Methods
3 Clipped Surrogate Objective
上标CPI为保守策略迭代[KL02]，提出了该目标
4 Adaptive KL Penalty Coefficient
另一种方法是对KL散度进行惩罚，并对惩罚系数进行调整，以便每次策略更新时都达到KL散度dtarg的某个目标值。这种方法可以作为截断代理目标的替代或补充。我们发现KL惩罚比裁剪替代目标表现更差，但是，我们在这里包括它，因为它是一个重要的基线。
5 Algorithm
7结论
我们介绍了近端策略优化，这是一种策略优化方法族，使用随机梯度上升的多个时期来执行每次策略更新。这些方法具有信任域方法的稳定性和可靠性，但实现起来要简单得多，只需要对普通策略梯度实现进行几行代码更改，适用于更一般的情况(例如，当为策略和值函数使用联合架构时)，并且具有更好的整体性能。