policy - 无效操作的策略梯度 (REINFORCE)

Question

目前我正在尝试为游戏实现 REINFORCE 策略梯度方法（使用神经网络）。现在很明显，有些动作在某些状态下是无效的（如果你没有火箭发射器就不能发射火箭发射器！）。

我试图掩盖 softmax 输出（动作概率），以便仅是来自有效动作的样本。这工作正常（或者看起来如此），但是经过几次训练迭代后，不再选择这些动作（对于某些输入组合，这些节点的所有输出都变为 0）。有趣的是，在这些情况下，某些动作节点（无效动作）似乎给出了 1（100% 概率）。

这导致了一个巨大的问题，因为我将不得不随机选择要执行的动作，这显然效果不佳。有没有其他方法来处理这个问题？

PS我通过将“标签”设置为具有折扣奖励值的所选动作节点来更新网络，而其余动作为0，然后在Keras中执行categorical_crossentropy。

标签： policyreinforcement-learning

Answer 1

我最终使用了 2 种不同的方法，但它们都遵循应用无效动作掩码的方法。

一种是在从策略梯度中获得 softmax 值后使用掩码，然后对剩余动作的概率进行归一化并从中采样。

第二种方法是在logit层之后应用mask，这样更简单，似乎效果更好（虽然我没有做任何量化的测量来证明这一点）。