【强化学习】双延迟深度确定性策略梯度算法(TD3)详解_td3算法

技术文档

📢本篇文章是博主强化学习（RL）领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等地方的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在👉强化学习专栏：

【强化学习】- 【单智能体强化学习】（11）---《双延迟深度确定性策略梯度算法(TD3)详解》

双延迟深度确定性策略梯度算法(TD3)详解

一、TD3算法的背景

二、TD3的背景

1.TD3的理论背景

2.DDPG的局限性

三、TD3算法的核心思想

1.双Critic网络（Twin Critics）

2.延迟更新（Delayed Policy Updates）

3.目标策略平滑（Target Policy Smoothing）

四、TD3算法详细讲解

1. Actor-Critic 框架的核心

(1) 策略梯度

(2) 价值评估 (Critic)

2. TD3 的关键改进

(1) 双Critic网络

(2) 延迟Actor更新

(3) 目标动作平滑

3. 完整TD3算法流程

4. 数学细节解析

(1) Critic损失函数

(2) Actor策略梯度

(3) 延迟更新的效果

[Python] TD3算法的实现

TD3的简易版核心实现：

TD3算法的详细代码见下

[Notice] 主要模块及功能

五、TD3的优势

六、总结

一、TD3算法的背景

双延迟深度确定性策略梯度算法，TD3（Twin Delayed Deep Deterministic Policy Gradient）是强化学习中专为解决连续动作空间问题设计的一种算法。TD3算法的提出是在深度确定性策略梯度（DDPG）算法的基础上改进而来，用于解决强化学习训练中存在的一些关键挑战。

二、TD3的背景

1.TD3的理论背景

TD3的提出基于以下几个强化学习的理论与技术发展：

Actor-Critic架构：

Actor网络负责生成动作，Critic网络负责评估动作的价值（Q值）。这种架构使得算法能够高效地解决高维连续动作问题。

Actor更新目标是最大化Critic网络的Q值，而Critic网络优化目标是最小化Q值预测误差。

确定性策略梯度（Deterministic Policy Gradient, DPG）：

DPG是强化学习中一种适用于连续动作空间的策略梯度方法，TD3继承了DPG的优势，即通过学习一个确定性策略直接生成动作。

双Q学习（Double Q-Learning）：

TD3借鉴了双Q学习的思想，使用两个独立的Critic网络来降低Q值估计的偏差。

经验回放池（Replay Buffer）：

TD3通过从经验回放池中采样数据训练网络，打破数据相关性，提高了学习效率。

2.DDPG的局限性

TD3算法由Fujimoto等人在2018年提出，对深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）算法的改进。DDPG是一种结合策略（Actor）和价值函数（Critic）的强化学习方法，可以在连续动作空间中表现出色。然而，DDPG存在以下问题：

这些问题会使训练结果不够鲁棒，甚至使算法在复杂任务中失败。

Q值过估计问题：Critic网络在训练时容易高估Q值，从而导致策略网络（Actor）学习不稳定。
策略噪声问题：由于策略直接输出确定性动作，在训练时容易陷入局部最优解。
训练不稳定性：Critic网络和Actor网络同时训练时，相互影响可能导致训练震荡。

了解决上述问题，TD3通过以下三点创新改进了DDPG：

三、TD3算法的核心思想

TD3在DDPG的基础上提出了三项关键改进：

1.双Critic网络（Twin Critics）

动机：DDPG中的Critic网络在估计Q值时存在系统性的高估问题。

方法：TD3使用两个独立的Critic网络计算Q值，取两者的最小值来作为目标Q值。

效果：有效减少了Q值的高估偏差（Overestimation Bias）。

2.延迟更新（Delayed Policy Updates）

动机：在DDPG中，Critic网络和Actor网络同时更新，可能导致Actor策略在不稳定的Q值估计上进行优化。

方法：TD3降低Actor和目标网络的更新频率，通常在Critic更新两次后才更新Actor。

效果：降低了Actor网络的更新频率，从而提高了策略的稳定性。

3.目标策略平滑（Target Policy Smoothing）

动机：DDPG中的目标策略直接输出确定性动作，容易对极端动作过拟合。TD3通过在目标策略中加入高斯噪声，对动作进行“平滑”。

方法：在目标值计算中，对动作加入噪声并裁剪到一定范围。

效果：提高了算法对噪声和目标值波动的鲁棒性。

四、TD3算法详细讲解

TD3（Twin Delayed Deep Deterministic Policy Gradient）适用于连续动作空间问题，主要基于Actor-Critic框架和深度确定性策略梯度（DDPG）。以下是TD3的数学基础与推导。

1. Actor-Critic 框架的核心

Actor-Critic方法的核心在于将策略学习（Actor）与价值评估（Critic）结合。Actor负责生成动作，Critic负责评估当前策略的表现。Actor网络优化目标是通过Critic网络的反馈提高策略质量。

(1) 策略梯度

Actor通过最大化累计奖励学习最优策略：

$\\nabla_\\phi J(\\pi_\\phi) = \\mathbb{E}{s \\sim \\rho^\\pi} \\left[ \\nabla\\phi \\pi_\\phi(s) \\nabla_a Q^\\pi(s, a) \\big|{a=\\pi\\phi(s)} \\right]$

其中：

$\\pi_\\phi(s)$ 是Actor的策略函数。
$Q^\\pi(s, a)$ 是Critic估计的动作值函数。
$\\rho^\\pi$ 是由策略生成的状态分布。

(2) 价值评估 (Critic)

Critic通过最小化时间差分（Temporal Difference, TD）误差，学习状态-动作值函数：

$L(\\theta) = \\mathbb{E}{(s, a, r, s\') \\sim \\mathcal{D}} \\left[ \\big( Q\\theta(s, a) - y \\big)^2 \\right]$

其中目标值 ( y ) 定义为： $y = r + \\gamma Q_{\\theta\'}(s\', \\pi_{\\phi\'}(s\'))$

$\\theta\'$ 和 $\\phi\'$ 是Critic和Actor的目标网络参数。
$\\mathcal{D}$ 是经验回放池中采样的数据。

2. TD3 的关键改进

TD3在DDPG的基础上，针对Q值过估计和策略训练不稳定问题，提出了三项核心改进。

(1) 双Critic网络

TD3引入两个Critic网络 $Q_{\\theta_1}$ 和 $Q_{\\theta_2}$ ，通过取最小值来降低Q值的高估偏差：

$y = r + \\gamma \\min \\big( Q_{\\theta_1\'}(s\', \\pi_{\\phi\'}(s\')), Q_{\\theta_2\'}(s\', \\pi_{\\phi\'}(s\')) \\big)$

目标是防止策略在训练中受到错误Q值估计的误导。

(2) 延迟Actor更新

为了避免Actor网络频繁更新导致策略不稳定，TD3在Critic更新 n 次后才更新Actor一次（通常 n=2 ）。Actor的优化目标为：

$L(\\phi) = -\\mathbb{E}{s \\sim \\mathcal{D}} \\big[ Q{\\theta_1}(s, \\pi_\\phi(s)) \\big]$

Critic网络训练稳定后，Actor的策略梯度才会更加准确。 $L(\\phi) = -\\mathbb{E}{s} \\big[ Q{\\theta_1}(s, \\pi_\\phi(s)) \\big]$

(3) 目标动作平滑

在计算目标值 y 时，对动作加入高斯噪声 $\\epsilon \\sim \\mathcal{N}(0, \\sigma)$ 并进行裁剪，防止策略过拟合到极端动作：

$a\' = \\pi_{\\phi\'}(s\') + \\text{clip}(\\epsilon, -c, c)$

这样可以让目标Q值更加平滑，增强策略的鲁棒性。

3. 完整TD3算法流程

伪代码如下：

初始化Actor和Critic网络及其对应的目标网络；
构建经验回放池 $\\mathcal{D}$ ，用于存储交互数据；
与环境交互，使用当前策略 $\\pi_\\phi$ 执行动作 $a_t$ ，存储 $(s_t, a_t, r_t, s_{t+1})$ ；
从中随机抽取一个批量数据：
- 更新Critic：通过最小化损失函数更新 $Q_{\\theta_1}$ 和 $Q_{\\theta_2}$ ： $L(\\theta_i) = \\mathbb{E}{(s, a, r, s\')} \\big[ (Q{\\theta_i}(s, a) - y)^2 \\big]$
- 延迟更新Actor：每隔 d 步，更新Actor策略： $L(\\phi) = -\\mathbb{E}{s} \\big[ Q{\\theta_1}(s, \\pi_\\phi(s)) \\big]$
- 目标网络软更新： $\\theta_i\' \\leftarrow \\tau \\theta_i + (1 - \\tau) \\theta_i\' ] [ \\phi\' \\leftarrow \\tau \\phi + (1 - \\tau) \\phi\'$
重复以上步骤直到收敛。

4. 数学细节解析

(1) Critic损失函数

TD3使用两个Critic网络，损失函数为： $L(\\theta) = \\mathbb{E} \\big[ (Q_{\\theta}(s, a) - y)^2 \\big]$

其中目标值： $y = r + \\gamma \\min \\big( Q_{\\theta_1\'}(s\', a\'), Q_{\\theta_2\'}(s\', a\') \\big)$

(2) Actor策略梯度

Actor通过最大化Critic网络的输出优化策略：

$\\nabla_\\phi J(\\phi) = \\mathbb{E}{s \\sim \\rho^\\pi} \\big[ \\nabla_a Q{\\theta_1}(s, a) \\big|{a=\\pi\\phi(s)} \\nabla_\\phi \\pi_\\phi(s) \\big]$

(3) 延迟更新的效果

延迟更新使Actor网络只在Critic网络收敛后才更新，减少了Actor网络梯度被不准确Q值引导的风险，从而提高了稳定性。

[Python] TD3算法的实现

TD3的简易版核心实现：

\"\"\"《TD3算法的代码》 时间：2024.12 作者：不去幼儿园\"\"\"import torchimport torch.nn as nnimport torch.optim as optimimport numpy as npimport gymfrom collections import dequeimport random# Actor Networkclass Actor(nn.Module): def __init__(self, state_dim, action_dim, max_action): super(Actor, self).__init__() self.layer1 = nn.Linear(state_dim, 256) self.layer2 = nn.Linear(256, 256) self.layer3 = nn.Linear(256, action_dim) self.max_action = max_action def forward(self, x): x = torch.relu(self.layer1(x)) x = torch.relu(self.layer2(x)) x = self.max_action * torch.tanh(self.layer3(x)) return x# Critic Networkclass Critic(nn.Module): def __init__(self, state_dim, action_dim): super(Critic, self).__init__() self.layer1 = nn.Linear(state_dim + action_dim, 256) self.layer2 = nn.Linear(256, 256) self.layer3 = nn.Linear(256, 1) def forward(self, x, u): x = torch.cat([x, u], 1) x = torch.relu(self.layer1(x)) x = torch.relu(self.layer2(x)) return self.layer3(x)# TD3 Algorithmclass TD3: def __init__(self, state_dim, action_dim, max_action): self.actor = Actor(state_dim, action_dim, max_action).to(device) self.actor_target = Actor(state_dim, action_dim, max_action).to(device) self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=1e-3) self.critic1 = Critic(state_dim, action_dim).to(device) self.critic2 = Critic(state_dim, action_dim).to(device) self.critic1_target = Critic(state_dim, action_dim).to(device) self.critic2_target = Critic(state_dim, action_dim).to(device) self.critic_optimizer = optim.Adam( list(self.critic1.parameters()) + list(self.critic2.parameters()), lr=1e-3 ) self.max_action = max_action self.replay_buffer = deque(maxlen=1000000) def update(self, batch_size=100, gamma=0.99, tau=0.005, policy_noise=0.2, noise_clip=0.5, delay=2): # Implementation of TD3 training logic here pass def select_action(self, state): state = torch.FloatTensor(state.reshape(1, -1)).to(device) return self.actor(state).cpu().data.numpy().flatten()

项目代码我已经放入GitCode里面，可以通过下面链接跳转：🔥

【强化学习】--- TD3算法

后续相关单智能体强化学习算法也会不断在【强化学习】项目里更新，如果该项目对你有所帮助，请帮我点一个星星✨✨✨✨✨，鼓励分享，十分感谢！！！

若是下面代码复现困难或者有问题，也欢迎评论区留言。

TD3算法的详细代码见下

参数配置

import argparse # 用于解析命令行参数的库from collections import namedtuple # 提供轻量级的数据结构from itertools import count # 无限循环计数器import os, sys, random # 操作系统、系统操作及随机库import numpy as np # 用于数组操作和科学计算的库import gym # OpenAI Gym库，用于构建强化学习环境import torch # 深度学习框架 PyTorchimport torch.nn as nn # 神经网络模块import torch.nn.functional as F # 提供激活函数和其他功能import torch.optim as optim # 优化器模块，用于梯度下降from torch.distributions import Normal # 正态分布，用于策略采样from tensorboardX import SummaryWriter # 用于记录训练日志# 如果GPU可用，则使用CUDA，否则使用CPUdevice = \'cuda\' if torch.cuda.is_available() else \'cpu\'# 创建一个命令行参数解析器parser = argparse.ArgumentParser()# 添加脚本运行时的参数parser.add_argument(\'--mode\', default=\'train\', type=str) # 模式：训练(\'train\')或测试(\'test\')parser.add_argument(\"--env_name\", default=\"Pendulum-v0\") # OpenAI Gym环境名称parser.add_argument(\'--tau\', default=0.005, type=float) # 目标网络的软更新系数parser.add_argument(\'--target_update_interval\', default=1, type=int) # 目标网络更新间隔parser.add_argument(\'--iteration\', default=5, type=int) # 迭代次数# 学习相关参数parser.add_argument(\'--learning_rate\', default=3e-4, type=float) # 学习率parser.add_argument(\'--gamma\', default=0.99, type=int) # 折扣因子，用于奖励的衰减parser.add_argument(\'--capacity\', default=50000, type=int) # 经验回放缓冲区大小parser.add_argument(\'--num_iteration\', default=100000, type=int) # 总训练迭代次数parser.add_argument(\'--batch_size\', default=100, type=int) # 批量大小parser.add_argument(\'--seed\', default=1, type=int) # 随机种子，确保结果可复现# 可选参数parser.add_argument(\'--num_hidden_layers\', default=2, type=int) # 神经网络的隐藏层数parser.add_argument(\'--sample_frequency\', default=256, type=int) # 采样频率parser.add_argument(\'--activation\', default=\'Relu\', type=str) # 激活函数类型parser.add_argument(\'--render\', default=False, type=bool) # 是否显示渲染的界面parser.add_argument(\'--log_interval\', default=50, type=int) # 日志记录间隔parser.add_argument(\'--load\', default=False, type=bool) # 是否加载模型parser.add_argument(\'--render_interval\', default=100, type=int) # 渲染间隔parser.add_argument(\'--policy_noise\', default=0.2, type=float) # 策略噪声parser.add_argument(\'--noise_clip\', default=0.5, type=float) # 噪声裁剪范围parser.add_argument(\'--policy_delay\', default=2, type=int) # 策略更新延迟parser.add_argument(\'--exploration_noise\', default=0.1, type=float) # 探索噪声parser.add_argument(\'--max_episode\', default=2000, type=int) # 最大训练轮数parser.add_argument(\'--print_log\', default=5, type=int) # 打印日志的间隔args = parser.parse_args() # 解析命令行参数# 设置随机种子以保证结果可复现# env.seed(args.seed) # 环境随机种子# torch.manual_seed(args.seed) # PyTorch随机种子# np.random.seed(args.seed) # Numpy随机种子# 获取当前脚本文件名script_name = os.path.basename(__file__)# 创建Gym环境env = gym.make(args.env_name)# 提取环境的状态空间和动作空间的维度state_dim = env.observation_space.shape[0] # 状态空间的维度action_dim = env.action_space.shape[0] # 动作空间的维度max_action = float(env.action_space.high[0]) # 动作空间的最大值min_Val = torch.tensor(1e-7).float().to(device) # 防止数值错误的最小值# 设置保存模型和日志的目录directory = \'./exp\' + script_name + args.env_name + \'./\'

经验回放缓冲区

# 定义经验回放缓冲区类class Replay_buffer(): \'\'\' 用于存储经验数据： (state, next_state, action, reward, done) \'\'\' def __init__(self, max_size=args.capacity): self.storage = [] # 存储经验的列表 self.max_size = max_size # 最大存储容量 self.ptr = 0 # 指针，用于循环覆盖旧数据 def push(self, data): # 如果缓冲区已满，则覆盖旧数据 if len(self.storage) == self.max_size: self.storage[int(self.ptr)] = data # 覆盖旧数据 self.ptr = (self.ptr + 1) % self.max_size # 更新指针位置 else: self.storage.append(data) # 添加新数据 def sample(self, batch_size): # 随机从缓冲区中抽取一个批次的数据 ind = np.random.randint(0, len(self.storage), size=batch_size) x, y, u, r, d = [], [], [], [], [] # 用于存储抽样结果 # 遍历随机索引并提取对应的数据 for i in ind: X, Y, U, R, D = self.storage[i] x.append(np.array(X, copy=False)) y.append(np.array(Y, copy=False)) u.append(np.array(U, copy=False)) r.append(np.array(R, copy=False)) d.append(np.array(D, copy=False)) # 返回转换为NumPy数组的采样结果 return np.array(x), np.array(y), np.array(u), np.array(r).reshape(-1, 1), np.array(d).reshape(-1, 1)

网络配置

# 定义Actor（策略网络）类class Actor(nn.Module): def __init__(self, state_dim, action_dim, max_action): super(Actor, self).__init__() # 定义三层全连接层，输入是状态，输出是动作 self.fc1 = nn.Linear(state_dim, 400) # 第一层全连接，400个神经元 self.fc2 = nn.Linear(400, 300) # 第二层全连接，300个神经元 self.fc3 = nn.Linear(300, action_dim) # 输出层，输出维度为动作维度 self.max_action = max_action # 动作的最大值，用于约束输出 def forward(self, state): # 前向传播函数 a = F.relu(self.fc1(state)) # 第一层激活函数ReLU a = F.relu(self.fc2(a)) # 第二层激活函数ReLU a = torch.tanh(self.fc3(a)) * self.max_action # 输出层使用tanh激活并乘以最大动作值 return a # 返回动作值# 定义Critic（值网络）类class Critic(nn.Module): def __init__(self, state_dim, action_dim): super(Critic, self).__init__() # 定义三层全连接层，输入是状态和动作的拼接，输出是Q值 self.fc1 = nn.Linear(state_dim + action_dim, 400) # 第一层全连接 self.fc2 = nn.Linear(400, 300) # 第二层全连接 self.fc3 = nn.Linear(300, 1) # 输出层，输出一个Q值 def forward(self, state, action): # 将状态和动作拼接在一起作为输入 state_action = torch.cat([state, action], 1) q = F.relu(self.fc1(state_action)) # 第一层激活函数ReLU q = F.relu(self.fc2(q)) # 第二层激活函数ReLU q = self.fc3(q) # 输出层 return q # 返回Q值

算法逻辑

# 定义TD3算法类class TD3(): def __init__(self, state_dim, action_dim, max_action): # 初始化Actor网络和目标Actor网络 self.actor = Actor(state_dim, action_dim, max_action).to(device) self.actor_target = Actor(state_dim, action_dim, max_action).to(device) # 初始化两个Critic网络及其目标网络 self.critic_1 = Critic(state_dim, action_dim).to(device) self.critic_1_target = Critic(state_dim, action_dim).to(device) self.critic_2 = Critic(state_dim, action_dim).to(device) self.critic_2_target = Critic(state_dim, action_dim).to(device) # 定义优化器 self.actor_optimizer = optim.Adam(self.actor.parameters()) # Actor网络的优化器 self.critic_1_optimizer = optim.Adam(self.critic_1.parameters()) # Critic 1网络的优化器 self.critic_2_optimizer = optim.Adam(self.critic_2.parameters()) # Critic 2网络的优化器 # 将目标网络的参数初始化为与主网络相同 self.actor_target.load_state_dict(self.actor.state_dict()) self.critic_1_target.load_state_dict(self.critic_1.state_dict()) self.critic_2_target.load_state_dict(self.critic_2.state_dict()) self.max_action = max_action # 最大动作值 self.memory = Replay_buffer(args.capacity) # 初始化经验回放缓冲区 self.writer = SummaryWriter(directory) # 初始化TensorBoard记录器 self.num_critic_update_iteration = 0 # Critic更新次数计数 self.num_actor_update_iteration = 0 # Actor更新次数计数 self.num_training = 0 # 总训练次数计数 def select_action(self, state): # 根据当前策略选择动作 state = torch.tensor(state.reshape(1, -1)).float().to(device) # 将状态转换为张量 return self.actor(state).cpu().data.numpy().flatten() # 通过Actor网络生成动作 def update(self, num_iteration): # 更新网络，训练过程 if self.num_training % 500 == 0: # 每500次训练打印日志 print(\"====================================\") print(\"model has been trained for {} times...\".format(self.num_training)) print(\"====================================\") for i in range(num_iteration): # 迭代更新 x, y, u, r, d = self.memory.sample(args.batch_size) # 从经验回放缓冲区中采样 state = torch.FloatTensor(x).to(device) # 转换采样的状态为张量 action = torch.FloatTensor(u).to(device) # 转换采样的动作为张量 next_state = torch.FloatTensor(y).to(device) # 转换采样的下一状态为张量 done = torch.FloatTensor(d).to(device) # 转换采样的完成标志为张量 reward = torch.FloatTensor(r).to(device) # 转换采样的奖励为张量 # 选择目标动作，并加入噪声 noise = torch.ones_like(action).data.normal_(0, args.policy_noise).to(device) noise = noise.clamp(-args.noise_clip, args.noise_clip) # 裁剪噪声 next_action = (self.actor_target(next_state) + noise).clamp(-self.max_action, self.max_action) # 计算目标Q值 target_Q1 = self.critic_1_target(next_state, next_action) target_Q2 = self.critic_2_target(next_state, next_action) target_Q = torch.min(target_Q1, target_Q2) # 取两个Critic网络中最小的Q值 target_Q = reward + ((1 - done) * args.gamma * target_Q).detach() # Bellman公式计算目标值 # 优化Critic 1网络 current_Q1 = self.critic_1(state, action) # 当前Q值 loss_Q1 = F.mse_loss(current_Q1, target_Q) # 均方误差损失 self.critic_1_optimizer.zero_grad() # 清除梯度 loss_Q1.backward() # 反向传播 self.critic_1_optimizer.step() # 更新参数 # 优化Critic 2网络 current_Q2 = self.critic_2(state, action) loss_Q2 = F.mse_loss(current_Q2, target_Q) self.critic_2_optimizer.zero_grad() loss_Q2.backward() self.critic_2_optimizer.step() # 延迟更新策略网络和目标网络 if i % args.policy_delay == 0: # 计算Actor损失 actor_loss = - self.critic_1(state, self.actor(state)).mean() # 最大化Q值 self.actor_optimizer.zero_grad() # 清除梯度 actor_loss.backward() # 反向传播 self.actor_optimizer.step() # 更新Actor网络 # 更新目标网络参数 for param, target_param in zip(self.actor.parameters(), self.actor_target.parameters()):  target_param.data.copy_((1 - args.tau) * target_param.data + args.tau * param.data) for param, target_param in zip(self.critic_1.parameters(), self.critic_1_target.parameters()):  target_param.data.copy_((1 - args.tau) * target_param.data + args.tau * param.data) for param, target_param in zip(self.critic_2.parameters(), self.critic_2_target.parameters()):  target_param.data.copy_((1 - args.tau) * target_param.data + args.tau * param.data) self.num_actor_update_iteration += 1 # 更新计数 self.num_critic_update_iteration += 1 # Critic更新计数 self.num_training += 1 # 总训练次数计数

模型保存与加载

 def save(self): # 保存模型的参数到指定目录 torch.save(self.actor.state_dict(), directory + \'actor.pth\') # 保存Actor网络 torch.save(self.actor_target.state_dict(), directory + \'actor_target.pth\') # 保存目标Actor网络 torch.save(self.critic_1.state_dict(), directory + \'critic_1.pth\') # 保存Critic 1网络 torch.save(self.critic_1_target.state_dict(), directory + \'critic_1_target.pth\') # 保存目标Critic 1网络 torch.save(self.critic_2.state_dict(), directory + \'critic_2.pth\') # 保存Critic 2网络 torch.save(self.critic_2_target.state_dict(), directory + \'critic_2_target.pth\') # 保存目标Critic 2网络 print(\"====================================\") print(\"Model has been saved...\") # 打印保存完成日志 print(\"====================================\") def load(self): # 加载保存的模型参数 self.actor.load_state_dict(torch.load(directory + \'actor.pth\')) # 加载Actor网络 self.actor_target.load_state_dict(torch.load(directory + \'actor_target.pth\')) # 加载目标Actor网络 self.critic_1.load_state_dict(torch.load(directory + \'critic_1.pth\')) # 加载Critic 1网络 self.critic_1_target.load_state_dict(torch.load(directory + \'critic_1_target.pth\')) # 加载目标Critic 1网络 self.critic_2.load_state_dict(torch.load(directory + \'critic_2.pth\')) # 加载Critic 2网络 self.critic_2_target.load_state_dict(torch.load(directory + \'critic_2_target.pth\')) # 加载目标Critic 2网络 print(\"====================================\") print(\"Model has been loaded...\") # 打印加载完成日志 print(\"====================================\")

主程序入口

 # 主程序入口if __name__ == \'__main__\': # 初始化TD3智能体 agent = TD3(state_dim, action_dim, max_action) ep_r = 0 # 累计奖励初始化为0 if args.mode == \'test\': # 如果模式为测试 agent.load() # 加载模型 for i in range(args.iteration): # 测试运行指定迭代次数 state = env.reset() # 环境重置，获取初始状态 for t in count(): # 无限循环，直到完成或达到限制 action = agent.select_action(state) # 使用智能体选择动作 next_state, reward, done, info = env.step(np.float32(action)) # 执行动作，获取下一状态和奖励 ep_r += reward # 累计奖励 env.render() # 渲染环境（显示界面） if done or t == 2000: # 如果完成或者达到最大步数  print(\"Ep_i \\t{}, the ep_r is \\t{:0.2f}, the step is \\t{}\".format(i, ep_r, t)) # 打印日志  break # 结束当前测试 state = next_state # 更新当前状态 elif args.mode == \'train\': # 如果模式为训练 print(\"====================================\") print(\"Collection Experience...\") # 收集经验 print(\"====================================\") if args.load: agent.load() # 如果需要，加载模型 for i in range(args.num_iteration): # 训练运行指定迭代次数 state = env.reset() # 环境重置 for t in range(2000): # 每次训练的最大步数 # 使用智能体选择动作，并加入探索噪声 action = agent.select_action(state) action = action + np.random.normal(0, args.exploration_noise, size=env.action_space.shape[0]) action = action.clip(env.action_space.low, env.action_space.high) # 限制动作范围 next_state, reward, done, info = env.step(action) # 执行动作 ep_r += reward # 累计奖励 # 如果需要渲染且达到渲染间隔，显示环境 if args.render and i >= args.render_interval:  env.render() # 将当前状态、下一状态、动作、奖励、完成标志存入经验回放缓冲区 agent.memory.push((state, next_state, action, reward, np.float(done))) # 打印内存大小日志 if (i + 1) % 10 == 0:  print(\'Episode {}, The memory size is {} \'.format(i, len(agent.memory.storage))) # 如果经验回放缓冲区已满，则更新模型 if len(agent.memory.storage) >= args.capacity - 1:  agent.update(10) # 每次更新10步 state = next_state # 更新当前状态 if done or t == args.max_episode - 1: # 如果完成或达到最大轮数  agent.writer.add_scalar(\'ep_r\', ep_r, global_step=i) # 记录奖励到日志  if i % args.print_log == 0: print(\"Ep_i \\t{}, the ep_r is \\t{:0.2f}, the step is \\t{}\".format(i, ep_r, t)) # 打印奖励日志  ep_r = 0 # 重置累计奖励  break # 跳出当前循环 # 每隔一定间隔保存模型 if i % args.log_interval == 0: agent.save() else: raise NameError(\"mode wrong!!!\") # 如果模式错误，抛出异常

[Notice] 主要模块及功能

命令行参数解析
使用 argparse 模块定义和解析运行时的参数配置，例如模式选择（训练/测试）、环境名称、学习率、经验缓冲区大小等。
环境初始化
使用 OpenAI Gym 创建强化学习环境，并提取状态空间和动作空间的维度，以及动作的上下限。
经验回放缓冲区
定义 Replay_buffer 类，用于存储状态、动作、奖励、下一状态等经验数据，并支持随机采样，为批量训练提供数据。
神经网络定义
- Actor：生成动作的策略网络，使用 ReLU 和 Tanh 激活函数。
- Critic：评估动作的价值（Q值）的网络，输入状态和动作的拼接数据，输出Q值。
TD3算法逻辑
- 目标网络（Target Network）：用于稳定训练，参数以软更新方式与主网络保持同步。
- 延迟更新策略（Delayed Policy Update）：降低Actor的更新频率，确保Critic训练充分，避免不稳定。
- 双Critic网络：缓解Q值的高估偏差问题，通过取两个Critic网络输出的最小值作为目标Q值。
训练和测试

在训练模式下，智能体通过环境交互收集经验并更新网络权重。

在测试模式下，使用训练好的模型直接与环境交互，评估性能。

7.模型保存与加载

支持保存和加载模型权重，便于训练中断后继续，或在测试中复用。

# 环境配置Python  3.11.5torch  2.1.0torchvision 0.16.0gym  0.26.2

由于博文主要为了介绍相关算法的原理和应用的方法，缺乏对于实际效果的关注，算法可能在上述环境中的效果不佳或者无法运行，一是算法不适配上述环境，二是算法未调参和优化，三是没有呈现完整的代码，四是等等。上述代码用于了解和学习算法足够了，但若是想直接将上面代码应用于实际项目中，还需要进行修改。

五、TD3的优势

降低Q值高估偏差：双Critic网络的最小值策略有效减少了偏差。
增强训练稳定性：延迟更新减少了网络间的干扰。
适应复杂环境：目标动作平滑提高了鲁棒性。

六、总结

TD3不仅改进了DDPG的不足，还为强化学习的稳定性研究提供了重要的理论和实践参考。其成功之处在于：

克服了Q值过估计问题，使得训练过程更加稳定；
提升了策略更新的鲁棒性，能更高效地探索动作空间。

作为一个里程碑式的算法，TD3推动了连续动作空间强化学习的发展，为后续算法（如SAC、PPO等）提供了宝贵的启发。

参考文献：Addressing Function Approximation Error in Actor-Critic Methods

更多强化学习文章，请前往：【强化学习（RL）】专栏

博客都是给自己看的笔记，如有误导深表抱歉。文章若有不当和不正确之处，还望理解与指出。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请联系博主删除。如有错误、疑问和侵权，欢迎评论留言联系作者，或者添加VX：Rainbook_2，联系作者。✨

【强化学习】双延迟深度确定性策略梯度算法(TD3)详解_td3算法

双延迟深度确定性策略梯度算法(TD3)详解

一、TD3算法的背景

二、TD3的背景

1.TD3的理论背景

2.DDPG的局限性

三、TD3算法的核心思想

1.双Critic网络（Twin Critics）

2.延迟更新（Delayed Policy Updates）

3.目标策略平滑（Target Policy Smoothing）

四、TD3算法详细讲解

1. Actor-Critic 框架的核心

(1) 策略梯度

(2) 价值评估 (Critic)

2. TD3 的关键改进

(1) 双Critic网络

(2) 延迟Actor更新

(3) 目标动作平滑

3. 完整TD3算法流程

4. 数学细节解析

(1) Critic损失函数

(2) Actor策略梯度

(3) 延迟更新的效果

[Python] TD3算法的实现

TD3的简易版核心实现：

TD3算法的详细代码见下

[Notice] 主要模块及功能

五、TD3的优势

六、总结

公告

DeepSeek全套部署资料免费下载

免费可商用字体批量下载

标签

【强化学习】双延迟深度确定性策略梯度算法(TD3)详解_td3算法

双延迟深度确定性策略梯度算法(TD3)详解

一、TD3算法的背景

二、TD3的背景

1.TD3的理论背景

2.DDPG的局限性

三、TD3算法的核心思想

1.双Critic网络（Twin Critics）

2.延迟更新（Delayed Policy Updates）

3.目标策略平滑（Target Policy Smoothing）

四、TD3算法详细讲解

1. Actor-Critic 框架的核心

(1) 策略梯度

(2) 价值评估 (Critic)

2. TD3 的关键改进

(1) 双Critic网络

(2) 延迟Actor更新

(3) 目标动作平滑

3. 完整TD3算法流程

4. 数学细节解析

(1) Critic损失函数

(2) Actor策略梯度

(3) 延迟更新的效果

[Python] TD3算法的实现

TD3的简易版核心实现：

TD3算法的详细代码见下

[Notice] 主要模块及功能

五、TD3的优势

六、总结

相关问题

公告

DeepSeek全套部署资料免费下载

免费可商用字体批量下载

标签