基于深度強化學(xué)習(xí)的智能決策方法*

熊蓉玲，段春怡，冉華明，楊 萌，馮旸赫

(1.中國西南電子技術(shù)研究所，成都 610036；2.西南交通大學(xué) 數(shù)學(xué)學(xué)院，成都 611756；3.國防科技大學(xué) 系統(tǒng)工程學(xué)院，長沙 410003)

0 引 言

強化學(xué)習(xí)通過智能體和環(huán)境不斷試錯交互的方式學(xué)習(xí)到能夠使獎勵最大化的最優(yōu)策略[1]。深度強化學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)強大的表征能力來擬合智能體的策略模型和價值模型，求解復(fù)雜問題的能力大幅提升，近年來在各類智能決策問題上取得了巨大的進步，成為人工智能領(lǐng)域發(fā)展迅猛的一個分支[2]。實時策略類游戲作為典型的時序決策問題，成為國內(nèi)外學(xué)者研究深度強化學(xué)習(xí)的試金石。Mnih 等[3]提出深度Q網(wǎng)絡(luò)(Deep Q Network，DQN)算法解決Atari2600游戲，在6個游戲中的表現(xiàn)優(yōu)于以前的方法，在3個游戲中的表現(xiàn)優(yōu)于人類專家。但Atari2600游戲的任務(wù)場景較為簡單，決策時序較短，決策空間較小，問題復(fù)雜性不高。Vinyals等[4]針對星際爭霸游戲問題，采用了強化學(xué)習(xí)和模仿學(xué)習(xí)相結(jié)合的方式，解決了非完全信息下的即時策略游戲問題。Jaderberg等[5]針對雷神之錘游戲問題，利用雙層流程來優(yōu)化智能體的內(nèi)部獎勵機制，再通過這些獎勵來優(yōu)化強化學(xué)習(xí)模型，通過并行訓(xùn)練多個不同的智能體集群相互配合，實現(xiàn)了完全無監(jiān)督的自學(xué)機制。與Atari2600游戲相比，星際爭霸和雷神之錘的任務(wù)場景復(fù)雜，決策難度大幅提升，文中設(shè)計的算法架構(gòu)復(fù)雜，計算資源需求大，訓(xùn)練時間長，難以應(yīng)用到其他任務(wù)場景中。

針對傳統(tǒng)深度強化學(xué)習(xí)方法難以快速解決長時序復(fù)雜任務(wù)的問題，本文提出一種引入歷史信息和人類知識的深度強化學(xué)習(xí)方法。

1 背景介紹

1.1 深度強化學(xué)習(xí)

強化學(xué)習(xí)主要關(guān)注智能體如何在環(huán)境中采取不同的行動，以最大限度地提高累積獎勵。強化學(xué)習(xí)主要由智能體、環(huán)境、狀態(tài)、動作、獎勵組成[6]。其中，狀態(tài)空間用狀態(tài)集合S表示，動作空間用動作集合A表示，則智能體與環(huán)境的交互過程為：當給定環(huán)境的某個狀態(tài)s∈S，智能體將根據(jù)當前的策略π(a|s)執(zhí)行某個動作a∈A，環(huán)境遷移到新的狀態(tài)s′∈S，同時智能體從環(huán)境獲得獎勵r(s,a)。智能體根據(jù)環(huán)境反饋的獎勵，對自身的策略模型進行更新，以學(xué)會最佳決策序列。

為了表示累積獎勵，通常使用折扣累積獎勵來代替：

(1)

式中：γ為折扣系數(shù)。

當執(zhí)行到某一步時，需要評估當前智能體在該時間步狀態(tài)的好壞程度，主要由值函數(shù)來完成，包括狀態(tài)值函數(shù)Vπ(s)和動作-狀態(tài)值函數(shù)Qπ(s,a)兩類，分別如公式(2)和(3)所示：

Vπ(s)=E[Rt|st=s]，

(2)

Qπ(s,a)=E[Rt|st=s,at=a]。

(3)

強化學(xué)習(xí)的核心思想是使用值函數(shù)找到最優(yōu)的策略，通常采用求解貝爾曼方程的方法，即

(4)

或者

(5)

式中：p(s′,r|s,a)為狀態(tài)轉(zhuǎn)移概率。

深度學(xué)習(xí)通過神經(jīng)網(wǎng)絡(luò)的逐層組合，最終提取能夠代表數(shù)據(jù)最本質(zhì)的高維抽象特征，具有極強的表征能力。深度強化學(xué)習(xí)使用強化學(xué)習(xí)定義問題和優(yōu)化目標，使用深度學(xué)習(xí)求解策略函數(shù)或者價值函數(shù)，充分利用了強化學(xué)習(xí)的決策優(yōu)勢和深度學(xué)習(xí)的感知優(yōu)勢，近年來在很多任務(wù)上取得了巨大的成功。

1.2 近端策略優(yōu)化

深度強化學(xué)習(xí)算法大體上可分為三類，即值函數(shù)方法、策略搜索方法和混合型的行動者-執(zhí)行者(Actor-Critic，AC)算法。典型的深度強化學(xué)習(xí)算法包括DQN[7]、優(yōu)勢行動者-執(zhí)行者(Advantage Actor-Critic，A2C)[8]、確定性策略梯度(Deterministic Policy Gradient，DPG)[9]、置信區(qū)域策略優(yōu)化(Trust Region Policy Optimization，TRPO)[10]、近端策略優(yōu)化(Proximal Policy Optimization，PPO)[11]等。經(jīng)過實驗對比發(fā)現(xiàn)，PPO算法的整體表現(xiàn)更優(yōu)，常作為深度強化學(xué)習(xí)應(yīng)用中的首選算法。

PPO算法是在TRPO算法的基礎(chǔ)上，使用截斷的方式構(gòu)建目標函數(shù)，以保證新策略和舊策略的差異控制在一定范圍內(nèi)，提高算法模型訓(xùn)練的穩(wěn)定性。

1+ε)A(st,at))。

(6)

式中：ε為截斷系數(shù)；rt(θ)為新策略和舊策略的比率，

(7)

變量A(st,at)為優(yōu)勢函數(shù)，有助于在保持無偏差的情況下，盡可能地降低方差值，表達式為

A(st,at)=Q(st,at)-V(st)。

(8)

(9)

2 深度強化學(xué)習(xí)決策模型

2.1 問題建模

本文考慮經(jīng)典飛行射擊類游戲的任務(wù)場景，對抗雙方的智能體在模擬環(huán)境中各操控一架飛機從基地起飛，在飛行過程中智能體根據(jù)飛機傳感器探測到的對手信息和自身平臺的信息進行控制決策，以對飛機進行全方位的操控，包括飛行控制、雷達控制、電子戰(zhàn)控制、武器控制，最終達到擊落對方飛機的目的。

針對上述飛行射擊類游戲場景，本文采用深度強化學(xué)習(xí)方法對其進行問題建模，明確深度強化學(xué)習(xí)算法模型的狀態(tài)空間、動作空間和獎勵。首先，在強化學(xué)習(xí)決策模型中，引入歷史狀態(tài)和動作信息作為狀態(tài)輸入，讓智能體進行游戲決策時可以顯式地獲取歷史信息。其次，將游戲過程中對最終勝負有貢獻的關(guān)鍵事件作為中間獎勵，以顯式引導(dǎo)智能體如何獲勝。這樣設(shè)計可以帶來以下三方面的好處：

一是可以讓智能體更準確地掌握對手的狀態(tài)信息。在游戲過程中，對方飛機如果進入我方傳感器的探測范圍內(nèi)，我方智能體只能獲得對手飛機的位置信息，無法獲得其航向和速度信息。通過引入上一時刻對手飛機的位置，智能體可以隱式獲得其航向和速度信息，可以幫助智能體更準確地進行飛行航向和速度控制決策。

二是可以幫助智能體保持控制決策的一致性。飛行射擊類游戲?qū)儆诘湫偷拈L時序連續(xù)決策問題，引入歷史動作信息可以讓智能體顯式獲得過往動作，有利于其保持決策的一致性，在游戲過程中避免無意義的動作頻繁變更，比如無意義的大幅機動、連續(xù)發(fā)彈、雷達頻繁開關(guān)機等。

三是可以幫助智能體更快地掌握獲勝方法。現(xiàn)有的強化學(xué)習(xí)方法通常只根據(jù)游戲的勝負設(shè)置獎勵，但飛行射擊類游戲單局游戲的時長通常為20 min左右，只根據(jù)最終的勝負進行獎勵反饋屬于典型的稀疏回報問題，智能體很難學(xué)習(xí)到有效策略。將游戲過程中對最終勝負有貢獻的關(guān)鍵事件作為中間獎勵，比如發(fā)現(xiàn)目標、武器發(fā)射等，可以引導(dǎo)智能體更快地學(xué)習(xí)到獲勝策略。

本文采用PPO算法構(gòu)建飛行射擊類游戲智能決策模型，狀態(tài)空間來源于飛機傳感器探測到的對手信息和自身平臺的信息，包括飛機位置、傳感器狀態(tài)、武器狀態(tài)等共20項，動作空間包括飛機飛行控制、雷達控制、電子戰(zhàn)控制、武器控制共8項控制項，狀態(tài)空間、動作空間和獎勵的詳細信息分別如表1、表2和表3所示。

智能體在每個時間步根據(jù)最新的環(huán)境狀態(tài)以及歷史環(huán)境狀態(tài)和動作進行動作決策，考慮到過多引入歷史信息會加大狀態(tài)空間，從而影響訓(xùn)練效率，本文在最新環(huán)境狀態(tài)的基礎(chǔ)上只引入上一步的歷史狀態(tài)和動作信息作為狀態(tài)輸入進行動作決策，游戲環(huán)境接收到?jīng)Q策動作進行環(huán)境狀態(tài)更新并反饋獎勵。重復(fù)上述過程直到游戲結(jié)束。

表1 狀態(tài)空間詳細信息

表2 動作空間詳細信息

表3 獎勵詳細信息

為了緩解智能體與游戲環(huán)境頻繁通信交互導(dǎo)致的訓(xùn)練時間過長的問題，以及智能體頻繁決策動作變更導(dǎo)致的前后決策不一致的問題，智能體的1個時間步對應(yīng)游戲環(huán)境中的10個推進周期，即1次動作指令在10個游戲推進周期內(nèi)執(zhí)行。

2.2 無效動作掩膜

在強化學(xué)習(xí)中，智能體在探索階段可以在整個動作空間內(nèi)進行試錯探索。但是，針對特定的環(huán)境狀態(tài)，可能存在無效或者不合理的動作。智能體一旦探索到這些無效或者不合理的動作，會導(dǎo)致模型訓(xùn)練收斂的時間變長。通常，任務(wù)場景的動作空間越大，其中無效或不合理的動作越多。

針對飛行射擊類游戲而言，其中存在的無效或者不合理的動作包括尚未發(fā)現(xiàn)對方飛機卻大幅機動轉(zhuǎn)彎；雷達尚未探測到對方飛機卻發(fā)射武器；對方雷達尚未探測到我方飛機(對方雷達狀態(tài)為關(guān)機或掃描)卻電子戰(zhàn)開機干擾。因此，本文采用無效動作掩膜[12]的方式避免智能體進行無效或不合理的探索，以提高模型的訓(xùn)練收斂速度。

在PPO算法中，策略網(wǎng)絡(luò)輸出為未歸一化的概率(logits)，然后經(jīng)過softmax操作轉(zhuǎn)變?yōu)闅w一化的概率值，根據(jù)不同動作的概率分布來進行動作選擇。

(10)

當某個動作是無效或不合理時，只需要將對應(yīng)策略網(wǎng)絡(luò)輸出(logits)替換為無窮小的值(如-1×108)，則經(jīng)過softmax操作后該動作被選擇的概率趨近于0，以此來實現(xiàn)該動作的禁用。

同時，當某個時間步智能體采用了無效動作掩膜禁用某個動作時，對應(yīng)的策略梯度為0，從而保證了替換操作不會給策略網(wǎng)絡(luò)參數(shù)帶來負面影響。證明如下。

(11)

式中：N為樣本數(shù)據(jù)總量；Rk是第k條樣本的累積獎勵。

針對式(11)中的梯度計算部分進行公式推導(dǎo)：

(12)

(13)

(14)

假設(shè)在某個時間步，智能體采用無效動作掩膜禁用了動作a0，并按照動作概率分布選擇執(zhí)行動作a1，則在式(14)中，i=1，無效動作a0對應(yīng)的梯度為

(15)

因此，證明得到無效動作掩膜對應(yīng)的策略梯度為0，策略網(wǎng)絡(luò)參數(shù)的更新不受動作掩膜的影響，從而保證了替換操作不會給策略網(wǎng)絡(luò)參數(shù)帶來負面影響。

為了驗證上述計算過程的正確性，在接收到最新的環(huán)境狀態(tài)時，人為將對方飛機的信息屏蔽來模擬尚未發(fā)現(xiàn)對方飛機的情況，在此情況下，智能體輸出的機動決策均為保持直飛，證明無效動作掩膜確實屏蔽了無效的大幅機動。同時，對比了該情況下策略網(wǎng)絡(luò)模型更新前后的網(wǎng)絡(luò)參數(shù)值，發(fā)現(xiàn)網(wǎng)絡(luò)參數(shù)值未發(fā)生改變，證明無效動作掩膜對應(yīng)的策略梯度確實為0，不會給策略網(wǎng)絡(luò)參數(shù)帶來負面影響。

3 仿真結(jié)果及分析

3.1 仿真場景設(shè)置

本文所提的PPO智能決策算法模型是在Stable Baselines[13]中PPO2算法源代碼的基礎(chǔ)上增加無效動作掩膜實現(xiàn)的，并調(diào)用該算法庫中的矢量化環(huán)境模塊(Subproc Vec)實現(xiàn)多進程并行采樣。矢量化環(huán)境是一種將多重獨立環(huán)境堆疊成單一環(huán)境的方法，可以實現(xiàn)同時在多個環(huán)境上進行并行交互采樣，以提高智能體的探索效率。

游戲環(huán)境則是基于OpenAI Gym框架[14]對飛行射擊類游戲進行封裝。智能體與游戲平臺之間采用用戶數(shù)據(jù)包協(xié)議(User Datagram Protocol，UDP)通信，通過最基本的套接字的方式進行信息交互，以減少網(wǎng)絡(luò)堵塞，縮短通信時間。

本文中設(shè)定的任務(wù)區(qū)域如圖1所示，分為待戰(zhàn)區(qū)和自由交戰(zhàn)區(qū)，待戰(zhàn)區(qū)的大小為15 km×25 km，自由交戰(zhàn)區(qū)的大小為150 km×25 km。對抗雙方的初始經(jīng)緯度可在各自待戰(zhàn)區(qū)內(nèi)任意選擇，雙方飛機初始航向為東西方向?qū)︼w，初始高度均為8 000 m，初始速度均為1Ma。

圖1 游戲任務(wù)區(qū)域場景示意圖

決策智能體的訓(xùn)練集為3個固定場景，采用相對態(tài)勢的思路，敵方飛機的初始經(jīng)緯度保持在其待戰(zhàn)區(qū)的中心位置，我方飛機的初始經(jīng)緯度分別在其待戰(zhàn)區(qū)的上方(-12.5 km)、中間(0 km)、下方(12.5 km)。測試集為100個隨機場景，對抗雙方飛機的初始經(jīng)緯度在各自待戰(zhàn)區(qū)內(nèi)隨機生成。

3.2 訓(xùn)練結(jié)果

在深度強化學(xué)習(xí)算法模型的訓(xùn)練中，超參數(shù)的設(shè)置對模型訓(xùn)練的影響較大，尤其是學(xué)習(xí)率的合理設(shè)置尤為重要。本文通過對比不同學(xué)習(xí)率情況下的損失函數(shù)收斂曲線和隨機測試場景對抗勝率收斂曲線來進行學(xué)習(xí)率的選擇。其中，隨機測試場景對抗勝率用于驗證決策智能體對不同任務(wù)場景的適應(yīng)性，采用100個隨機場景，每訓(xùn)練10個回合測試一次，從而展現(xiàn)訓(xùn)練過程中決策智能體對抗勝率的變化。

圖2為學(xué)習(xí)率分別設(shè)置為10-5、10-4、10-3時決策智能體損失函數(shù)的收斂曲線。從圖中可以看出，隨著學(xué)習(xí)率的不斷增大，損失函數(shù)收斂得更快，損失值更小。當學(xué)習(xí)率設(shè)置為10-3時，損失函數(shù)收斂到0.000 5附近。

圖2 損失函數(shù)收斂曲線

圖3為學(xué)習(xí)率分別設(shè)置為10-5、10-4、10-3時決策智能體隨機測試場景對抗勝率的收斂曲線。從圖中可以看出，當學(xué)習(xí)率為10-5時，智能體幾乎不能找到有效的策略，平均勝率在15%左右；當學(xué)習(xí)率為10-4時，智能體在訓(xùn)練150個回合后平均勝率在50%左右；當學(xué)習(xí)率為10-3時，決策智能體在訓(xùn)練150個回合后可以穩(wěn)定達到80%左右的對抗勝率。

圖3 決策智能體測試勝率收斂曲線

本文中算法模型的訓(xùn)練超參數(shù)設(shè)置如表4所示。

表4 超參數(shù)設(shè)置

為了驗證引入歷史狀態(tài)和動作信息以及無效動作掩膜對模型訓(xùn)練的影響，對比了只引入歷史狀態(tài)和動作信息、只引入無效動作掩膜情況下的回報收斂曲線，如圖4所示?？梢钥闯觯コ龤v史狀態(tài)和動作信息或者去除無效動作掩膜均無法獲得高回報，智能體無法學(xué)習(xí)到有效的策略。以上結(jié)果表明，通過在PPO算法模型的基礎(chǔ)上引入歷史狀態(tài)和動作信息以及無效動作掩膜可以引導(dǎo)智能體更容易學(xué)習(xí)到獲勝策略，可以顯著提高模型收斂效果。

圖4 游戲回報變化曲線對比

4 結(jié)束語

針對傳統(tǒng)深度強化學(xué)習(xí)算法難以快速解決長時序復(fù)雜任務(wù)的問題，本文在經(jīng)典PPO算法的基礎(chǔ)上提出了一種引入歷史信息和人類知識的深度強化學(xué)習(xí)方法。首先，在輸入狀態(tài)中引入歷史狀態(tài)和動作信息，讓智能體可以顯式獲取歷史信息，以幫助智能體更準確掌握對手狀態(tài)和保持自身決策的一致性。其次，在策略模型中引入無效動作掩膜，避免智能體進行無效或不合理的探索，以提升探索效率。本文通過仿真試驗驗證了所提方法的有效性，對比試驗結(jié)果表明所提方法可顯著提升智能體的探索效率，可引導(dǎo)智能體學(xué)習(xí)到有效策略。

與其他深度強化學(xué)習(xí)模型一樣，由于神經(jīng)網(wǎng)絡(luò)的高度擬合性導(dǎo)致智能體的行為決策機理難以解釋，后續(xù)將對智能體行為的可解釋性進行研究。