Skip to main content

策略梯度法公式推导

一、策略梯度法（Policy Gradient）解决了什么问题？​

在讲任何一条公式之前，先回答一个必须先想清楚的问题：

前面已经有 Q-Learning、SARSA、DQN 这些"基于价值（Value-Based）"的方法了，为什么科学家还要发明"直接学策略 πθ\pi_{\theta}"的策略梯度法？它究竟补了什么坑？

1.1 Value-Based 方法（Q-Learning / DQN）的三个硬伤​

序号痛点具体表现为什么策略梯度能治好
①连续/巨大动作空间不可行机器人关节扭矩、大模型下一个 token、自动驾驶方向盘角度… aa 是实数向量或几万个离散值，arg⁡max⁡aQ(s,a)\arg\max_{a} Q(s,a) 根本算不动（每步要做一次最大化，维数灾难）策略 πθ(a∣s)\pi_{\theta}(a \mid s) 直接输出动作（离散：logits→softmax；连续：均值/方差的高斯分布），一次前向就采样得到动作，不需要 argmax。
②学不出随机策略Q 表/Q 网络最后一定是"挑最大的那个动作"，得到确定性贪心策略。但有些任务最优就是随机（比如石头剪刀布对抗、CartPole 少信息观测下的探索）策略网络本身就是概率分布 πθ(a∣s)\pi_{\theta}(a \mid s)，天然支持随机性。
③更新不稳定 / 样本效率差Q-Learning 里每次更新会让 QQ 变，一变又导致 TD 目标变，还要靠经验回放、目标网络才能勉强稳策略梯度是直接对累计奖励做梯度上升，目标函数的语义非常清晰："让高回报的轨迹出现概率更大、低回报的更小"，收敛性分析更干净。

一句话总结策略梯度法的存在意义：

把"先学 QQ 再从 QQ 里抠出最优动作"的两阶段问题，直接替换成"对 πθ\pi_{\theta} 的参数 θ\theta 求『期望总奖励』的梯度，做梯度上升"，一步到位。

1.2 我们的目标（先把 optimization problem 写清楚）​

给定一个由 θ\theta 参数化的随机策略 πθ(a∣s)\pi_{\theta}(a \mid s)，我们要找到最好的 θ\theta，使得：用这个策略在环境里玩一整局，能拿到的期望总奖励最大。

形式化写出来就是：

θ∗  =  arg⁡max⁡θ    J(θ)其中J(θ)  ≜  Eτ∼πθ[ R(τ) ]\theta_{*} \;=\; \arg\max_{\theta}\;\; J(\theta) \qquad\text{其中}\qquad J(\theta) \;\triangleq\; \mathbb{E}_{\tau \sim \pi_{\theta}}\Big[\, R(\tau) \,\Big]

这里 τ=(S0,A0,R1,S1,A1,R2,…,ST)\tau = (S_{0}, A_{0}, R_{1}, S_{1}, A_{1}, R_{2}, \dots, S_{T}) 叫一条轨迹（一条样本路径），R(τ)=∑t=0T−1Rt+1R(\tau)=\sum_{t=0}^{T-1} R_{t+1} 是这条轨迹的累计奖励。

二、策略梯度定理：从"要最大化 J(θ)J(\theta)"到"可实现的更新公式"​

读这一节时请记住一个主线任务：把 ∇θJ(θ)\nabla_{\theta} J(\theta) 推出来，并最终把它写成"用采样轨迹就能估计、且 θ\theta 只出现在 ∇θlog⁡πθ\nabla_{\theta} \log \pi_{\theta} 里"的样子。——因为那样就能在代码里实现了。

2.1 先把 J(θ)J(\theta) 展开成所有轨迹的加权求和​

J(θ)J(\theta) 是在"按 πθ\pi_{\theta} 产生轨迹"下的期望。离散情况可以把期望写成"对每条可能轨迹 τ\tau，取它发生的概率 Pθ(τ)P_{\theta}(\tau) × 它的累计奖励"：

J(θ)  =  ∑τPθ(τ) R(τ)J(\theta) \;=\; \sum_{\tau} P_{\theta}(\tau)\, R(\tau)

连续状态/动作时把 ∑\sum 换成 ∫\int、PθP_{\theta} 换成概率密度 pθp_{\theta}，后续推导完全一样，不影响结论。

2.2 对 θ\theta 求导 —— 卡住了！​

直接对上面的式子求梯度：

∇θJ(θ)  =  ∇θ∑τPθ(τ) R(τ)\nabla_{\theta} J(\theta) \;=\; \nabla_{\theta} \sum_{\tau} P_{\theta}(\tau)\, R(\tau)

线性算子可交换求和与求导：

∇θJ(θ)  =  ∑τ[ ∇θPθ(τ) ] R(τ)(1)\nabla_{\theta} J(\theta) \;=\; \sum_{\tau} \big[\, \nabla_{\theta} P_{\theta}(\tau) \,\big]\, R(\tau) \tag{1}

现在问题来了：你如果就按 (1) 实现，根本做不到——因为：

  1. 你根本没法把所有轨迹 τ\tau 枚举完（组合爆炸，像 2.1 节说的）；
  2. ∇θPθ(τ)\nabla_{\theta} P_{\theta}(\tau) 是对"概率本身"求导，在深度学习框架里反向传播没办法直接算 log_prob 以外的梯度形式（更重要的是：没有期望符号就没法做蒙特卡洛估计）。

2.3 关键一步：Log-Derivative Trick（对数导数恒等式）把问题变简单​

科学家掏出一个"万能的"初等微积分恒等式，把"对概率求导"转化为"概率 × 对对数概率求导"：

  ∇θPθ(τ)  =  Pθ(τ)⋅∇θlog⁡Pθ(τ)  \boxed{\;\nabla_{\theta} P_{\theta}(\tau) \;=\; P_{\theta}(\tau) \cdot \nabla_{\theta} \log P_{\theta}(\tau)\;}

证明（一行就够）​

令 f(θ)=Pθ(τ)f(\theta) = P_{\theta}(\tau)，由链式法则：

∇θlog⁡f(θ)=1f(θ)∇θf(θ)⇒∇θf(θ)=f(θ)⋅∇θlog⁡f(θ)\nabla_{\theta} \log f(\theta) = \frac{1}{f(\theta)} \nabla_{\theta} f(\theta) \quad\Rightarrow\quad \nabla_{\theta} f(\theta) = f(\theta)\cdot\nabla_{\theta} \log f(\theta)

QED.

把这个恒等式代回 (1) 式，得到：

∇θJ(θ)=∑τ[ Pθ(τ) ∇θlog⁡Pθ(τ) ] R(τ)=∑τPθ(τ)  [ ∇θlog⁡Pθ(τ)⋅R(τ) ]\begin{aligned} \nabla_{\theta} J(\theta) &= \sum_{\tau} \Big[\, P_{\theta}(\tau)\,\nabla_{\theta} \log P_{\theta}(\tau) \,\Big]\, R(\tau) \\ &= \sum_{\tau} P_{\theta}(\tau)\;\Big[\, \nabla_{\theta} \log P_{\theta}(\tau) \cdot R(\tau) \,\Big] \end{aligned}

但 ∑τPθ(τ)(… )\sum_{\tau} P_{\theta}(\tau)(\dots) 本身就是"在轨迹分布 τ∼Pθ\tau \sim P_{\theta} 下取期望"的定义！所以我们成功把公式写成了可采样的期望形式：

∇θJ(θ)  =  Eτ∼Pθ[ ∇θlog⁡Pθ(τ)⋅R(τ) ](2)\nabla_{\theta} J(\theta) \;=\; \mathbb{E}_{\tau \sim P_{\theta}}\Big[\, \nabla_{\theta} \log P_{\theta}(\tau) \cdot R(\tau) \,\Big] \tag{2}

2.4 把 log⁡Pθ(τ)\log P_{\theta}(\tau) 对 MDP 展开 —— 看看哪些项能消掉​

一条 MDP 轨迹的联合概率，能按马尔可夫链规则拆成：初始状态分布、每一步选动作 πθ\pi_{\theta}、每一步环境转移 PP 的乘积：

Pθ(τ)=d0(S0)⋅∏t=0T−1[ πθ(At∣St)  P(St+1∣St, At) ]P_{\theta}(\tau) = d_{0}(S_{0}) \cdot \prod_{t=0}^{T-1}\Big[\,\pi_{\theta}(A_{t} \mid S_{t})\; P(S_{t+1} \mid S_{t},\, A_{t})\,\Big]

其中：

  • d0(S0)d_{0}(S_{0})：环境的初始状态分布（不依赖 θ\theta）
  • P(St+1∣St,At)P(S_{t+1} \mid S_{t}, A_{t})：环境动力学 / 状态转移概率（环境说了算，也不依赖 θ\theta）
  • 只有 πθ(At∣St)\pi_{\theta}(A_{t} \mid S_{t}) 这部分跟 θ\theta 有关

对两边取对数，乘积变成求和：

log⁡Pθ(τ)=log⁡d0(S0)  +  ∑t=0T−1log⁡πθ(At∣St)  +  ∑t=0T−1log⁡P(St+1∣St, At)\log P_{\theta}(\tau) = \log d_{0}(S_{0}) \;+\; \sum_{t=0}^{T-1}\log \pi_{\theta}(A_{t} \mid S_{t}) \;+\; \sum_{t=0}^{T-1} \log P(S_{t+1}\mid S_{t},\, A_{t})

现在对 θ\theta 求梯度。凡是不含 θ\theta 的项，导数都是 0——于是第一项、第三项全部清零！只剩：

  ∇θlog⁡Pθ(τ)  =  ∑t=0T−1∇θlog⁡πθ(At∣St)  (3)\boxed{\;\nabla_{\theta} \log P_{\theta}(\tau) \;=\; \sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t})\;} \tag{3}

这个结果的两个重要直觉​

  1. "对策略求梯度"只取决于策略本身，和环境转移动力学无关！ 你不需要知道环境是怎么从 (s,a)(s,a) 跳到 s′s' 的——这就是策略梯度方法的"模型无关（model-free）"根本来源。
  2. ∇θlog⁡Pθ(τ)\nabla_{\theta} \log P_{\theta}(\tau) 是每一步 "log 概率的梯度"的和。直觉：某一步你选 AtA_{t} 的 log-likelihood 变大，整条轨迹发生的 likelihood 也变大；反过来每一步都在做贡献。

2.5 代回 (2)：我们得到了 REINFORCE 的"朴素版本"​

把 (3) 代入 (2)：

∇θJ(θ)=Eτ∼Pθ[  (∑t=0T−1∇θlog⁡πθ(At∣St))⏟整局所有 log-prob 梯度之和⋅R(τ)⏟整局累计奖励  ](4)\nabla_{\theta} J(\theta) = \mathbb{E}_{\tau \sim P_{\theta}}\left[\; \underbrace{\Big(\sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t})\Big)}_{\text{整局所有 log-prob 梯度之和}} \cdot \underbrace{R(\tau)}_{\text{整局累计奖励}} \;\right] \tag{4}

这就能写代码了吗？能跑但有两个理论错误导致方差巨大，必须修：

  • ❌ 每一步 tt 的 ∇log⁡πt\nabla \log \pi_{t} 都被"整局的全部奖励 R(τ)R(\tau)"乘了一次——连 t=0t=0 的动作都吃到了 t=999t=999 的奖励权重，这在因果上是荒谬的（你 0 时刻的动作不可能影响它之前发生的东西）；
  • ❌ 每一步吃到的奖励值绝对值太大，导致梯度的方差爆炸（CartPole 500 步一局的总奖励也有几百；如果是 Dota 那种一局几万步呢？）。

2.6 因果修正（Causality）：第 tt 步的动作配它"之后"的奖励​

修正非常自然：第 tt 个时刻动作 AtA_{t} 能影响的只有从 tt 时刻开始拿到的回报，我们用「从 tt 起算的折扣回报 GtG_{t}」替换掉它乘的权重：

Gt  ≜  ∑k=0T−1−tγkRt+k+1G_{t} \;\triangleq\; \sum_{k=0}^{T-1-t} \gamma^{k} R_{t+k+1}

于是 (4) 式变成了因果正确的版本：

∇θJ(θ)=Eτ∼Pθ[  ∑t=0T−1∇θlog⁡πθ(At∣St)⋅Gt  ](5)\nabla_{\theta} J(\theta) = \mathbb{E}_{\tau \sim P_{\theta}}\left[\; \sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t}) \cdot G_{t} \;\right] \tag{5}

这个修改不引入偏差（数学上可以证明是等价的无偏估计，只是方差变小了）。直觉上相当于"功劳分配"：越晚的动作，越只吃到后续奖励的功劳，不再被过去的噪声污染。

2.7 再减一个基线（Baseline）：方差能更低​

我们可以把上面乘的权重，再减去一个不依赖 AtA_{t}（因此条件期望为 0，不会带来偏差）的标量基线 bt(s)b_{t}(s)：

G~t  =  Gt−bt(St)\tilde{G}_{t} \;=\; G_{t} - b_{t}(S_{t})

数学上保证"无偏"的原因：对任意仅依赖 StS_{t} 的函数 b(St)b(S_{t})，都有

Eπθ[ ∇θlog⁡πθ(At∣St) b(St)∣St ]=b(St) ∇θ∑aπθ(a∣St)⋅1=b(St) ∇θ1=0\mathbb{E}_{\pi_{\theta}}\Big[\, \nabla_{\theta} \log \pi_{\theta}(A_{t}\mid S_{t})\, b(S_{t}) \mid S_{t} \,\Big] = b(S_{t})\, \nabla_{\theta} \sum_{a} \pi_{\theta}(a\mid S_{t}) \cdot 1 = b(S_{t})\, \nabla_{\theta} 1 = 0

所以加一个基线只是减掉一个期望为 0 的向量，梯度估计仍然无偏，但方差会显著变小。

最常见、效果最好的选择是把状态价值函数 Vπθ(St)V^{\pi_{\theta}}(S_{t}) 当作基线（这也是"加 Critic"的 Actor-Critic 框架的由来），差值就叫优势函数：

At  ≜  Gt−Vπθ(St)(或等价用 TD 误差、GAE 等更稳的形式)A_{t} \;\triangleq\; G_{t} - V^{\pi_{\theta}}(S_{t}) \qquad(\text{或等价用 TD 误差、GAE 等更稳的形式})

代入 (5) 得到最常用的策略梯度（减基线版 / AC 版）：

  ∇θJ(θ)=Eτ∼Pθ[  ∑t=0T−1∇θlog⁡πθ(At∣St)⋅At  ]  \boxed{\; \nabla_{\theta} J(\theta) = \mathbb{E}_{\tau \sim P_{\theta}}\left[\; \sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t}) \cdot A_{t} \;\right] \;}

用代码能跑的蒙特卡洛形式（每条轨迹做一次累加、batch 内再平均）就是 REINFORCE / Actor-Critic 更新的本质：

θ  ←  θ+η⋅1∣B∣∑τ∈B∑t=0T−1∇θlog⁡πθ(At∣St)⋅At\theta \;\leftarrow\; \theta + \eta \cdot \frac{1}{|\mathcal{B}|} \sum_{\tau \in \mathcal{B}}\sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t}) \cdot A_{t}

其中 η\eta 是学习率，B\mathcal{B} 是一个 batch 采样到的若干条轨迹。

三、REINFORCE 算法（最经典的 Monte Carlo 策略梯度法）— 每一步做什么​

有了上面的定理，写代码就是把它机械地翻译出来：

算法 1：REINFORCE（无基线）​

输入：可微策略 πθ\pi_{\theta}、学习率 η\eta、折扣因子 γ\gamma 对每个 episode k=1,2,…k = 1, 2, \dots：

  1. 用当前策略 πθ\pi_{\theta} 在环境里采样一条完整轨迹 τ=(S0,A0,R1,…,ST−1,AT−1,RT)\tau = (S_{0}, A_{0}, R_{1}, \dots, S_{T-1}, A_{T-1}, R_{T})
  2. 对每个时间步 t=0,…,T−1t = 0, \dots, T-1，算该步起的折扣回报： Gt  =  ∑i=tT−1γi−t Ri+1G_{t} \;=\; \sum_{i=t}^{T-1} \gamma^{i-t}\, R_{i+1}
  3. 把所有步的梯度乘以权重累加，做一次梯度上升： θ  ←  θ+η⋅∑t=0T−1γt Gt⋅∇θlog⁡πθ(At∣St)\theta \;\leftarrow\; \theta + \eta \cdot \sum_{t=0}^{T-1} \gamma^{t} \, G_{t} \cdot \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t})

注：工程上常用 −log⁡πθ⋅Gt-\log \pi_{\theta} \cdot G_{t} 作为损失，直接调 torch 的反向传播 loss.backward() 再 optimizer.step()，数学上等价于"对 JJ 做梯度上升，对 loss 做梯度下降"。

算法 2：REINFORCE with Baseline（减状态价值基线，训练更稳）​

和算法 1 唯一区别是并行训练一个 Critic 网络 Vϕ(s)V_{\phi}(s) 估计状态价值，用 Gt−Vϕ(St)G_{t} - V_{\phi}(S_{t}) 替换 GtG_{t}：

  1. 采样完整轨迹（同 1）
  2. 计算各步 GtG_{t}（同 1）
  3. 用 Critic 最小化 MSE 拟合 Vϕ(St)≈GtV_{\phi}(S_{t}) \approx G_{t}（监督学习式的回归）
  4. 用优势 At=Gt−Vϕ(St)A_{t} = G_{t} - V_{\phi}(S_{t}) 加权更新策略 θ\theta：
    θ←θ+η∑tγtAt∇θlog⁡πθ(At∣St)\theta \leftarrow \theta + \eta \sum_{t} \gamma^{t} A_{t} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t})

四、一张表把"策略梯度解决了什么问题"说透​

以前的问题（Value-Based / 朴素梯度）策略梯度定理如何解决
连续/高维动作，arg⁡max⁡aQ\arg\max_{a} Q 算不出来直接学 πθ(a∣s)\pi_{\theta}(a \mid s)，采样直接出动作，不求 max
无法建模随机策略输出就是条件概率分布，天然支持随机
朴素公式 ∑τ∇P⋅R\sum_{\tau} \nabla P \cdot R 无法采样计算Log-derivative trick 把 ∇P\nabla P 变成 P∇log⁡PP \nabla\log P，再写成 Eτ[∇log⁡P⋅R]\mathbb{E}_{\tau}[\nabla\log P \cdot R]，蒙特卡洛可估计
梯度依赖环境模型 P(s′∣s,a)P(s' \mid s,a)展开 log⁡Pθ(τ)\log P_{\theta}(\tau) 后，不含 θ\theta 的 P(s′∣s,a)P(s' \mid s,a)、d0d_{0} 对梯度贡献为 0，梯度里只剩 ∑t∇log⁡πθ\sum_{t} \nabla \log \pi_{\theta}——模型无关
每一步权重用总奖励 R(τ)R(\tau)：因果错误 + 大方差因果修正：只乘该步之后的回报 GtG_{t}
GtG_{t} 绝对值仍然太大导致梯度抖动减基线（通常是 VV）→ 优势 AtA_{t}，保留动作相对好坏，进一步降方差

得到的最终可执行形式（REINFORCE / AC 通用梯度）就是：

  ∇θJ(θ)  =  E[ ∑t=0T−1∇θlog⁡πθ(At∣St)⋅At ]  \boxed{\; \nabla_{\theta} J(\theta) \;=\; \mathbb{E}\left[\, \sum_{t=0}^{T-1} \nabla_{\theta} \log \pi_{\theta}(A_{t} \mid S_{t}) \cdot A_{t} \,\right] \;}

所有现代策略方法（PPO / TRPO / A2C / SAC / RLHF 里的 PPO 微调段）本质上都是围绕这条式子做"更稳的优势估计 + 更大的更新步长约束"，但骨架没变过。