从 VPG 到 PPO

这篇博客总结自 Wouter van Heeswijk 在 Medium 的文章：Proximal Policy Optimization (PPO) Explained

策略梯度算法（VPG）

从确定性策略开始

强化学习的目标是学习一个好的决策策略 $\pi$，随着时间的推移最大化奖励。确定性策略 $\pi$ 的做法是基于状态 $s$，利用策略函数 $\pi:s\to a$ 得到应选的动作 $a$。

确定性策略可以采用值近似的方法，即 Q Learning。在 Q Learning 中，强化学习的目标是逼近价值函数 $Q$ 而非策略函数 $\pi$。我们假设有一个最优价值函数 $Q_{\star}(a\mid s)$，DQN 所做的就是利用 $Q(a\mid s;\theta)$ 尽量接近 $Q_{\star}(a\mid s)$。决策的时候，选择使 $Q(a\mid s;\theta)$ 最高的动作 $a$ 即可：$a=\arg\max_{a\in\mathcal{A}} Q(a\mid s;\theta)$。

值近似方法是确定性的，也就是说其返回的是一个确定的动作 $a$。通常我们使用 $\varepsilon\text{-greedy}$ 算法进行探索：智能体所采取的动作有 $1-\varepsilon$ 的概率由 $Q(a\mid s;\theta)$ 决定，但也有 $\varepsilon$ 的概率从动作空间中随机选取，这样可以允许智能体对其他的决策行为进行一些探索。此外，在训练智能体的时候，对于动作 $a_t$ 的回报并不能真的计算出来，所以这里需要采用时间差分（TD）算法（严格来讲是 TD 算法中的一种，即 Q 学习算法），将 $r_t+\gamma Q_{t+1}$ 与 $Q_t$ 进行比较来改进价值函数。

策略近似：转向随机性策略

在策略近似中，强化学习的目标从学习价值函数 $Q$ 变成了学习策略函数 $\pi$，核心思想是用参数化的概率分布 $\pi_\theta(a\mid s)=P(a\mid s;\theta)$ 代替确定性的策略 $\pi:s\to a$，通过学习逐渐提高获得高回报动作的概率。

从初始状态出发，在 $\pi_\theta(a\mid s)$ 下不断做出决策，最终会得到状态-动作轨迹 $\tau=\{(s_0,\,a_0),\,(s_1,\,a_1),\,\cdots,\,(s_T,\,a_T)\}$。因为 $\pi_\theta(a\mid s)$ 是随机性策略，产生的轨迹 $\tau$ 也不是唯一的，而是一个概率分布 $P(\tau)$。每种轨迹都有不同的回报（即累计奖励） $R(\tau)=\sum_{t=1}^T\gamma^t R_t$。

随机性策略下，强化学习的优化目标是最大化回报的期望：

$$\begin{equation}\displaystyle \max_\theta J(\theta)=\max_\theta\mathbb{E}_{\tau\sim\pi_\theta}R(\tau)=\max_\theta\sum_\tau P(\tau;\theta)R(\tau)\end{equation}$$

策略梯度

最大化目标函数，需要求出 $J(\theta)$ 的梯度 $\nabla_\theta J(\theta)$，然后更新参数 $\theta$ 即可：

$$\begin{equation}\theta\gets\theta+\alpha\nabla_\theta J(\theta)\end{equation}$$

而 $\nabla_\theta J(\theta)$ 可以通过一个对数导数的技巧化简：

$$\begin{equation}\begin{aligned}\displaystyle \nabla_\theta J(\theta)&=\,\nabla_\theta\mathbb{E}_{\tau\sim\pi_\theta}R(\tau)=\,\nabla_\theta\sum_\tau P(\tau;\theta)R(\tau)=\,\sum_\tau\nabla_\theta P(\tau;\theta)R(\tau)\\&=\,\sum_\tau\dfrac{P(\tau;\theta)}{P(\tau;\theta)}\nabla_\theta P(\tau;\theta)R(\tau)=\,\sum_\tau P(\tau;\theta)\dfrac{\nabla_\theta P(\tau;\theta)}{P(\tau;\theta)}R(\tau)\\[5pt]&=\,\sum_\tau P(\tau;\theta)\nabla_\theta\log P(\tau;\theta)R(\tau)\\[3pt]&=\,\mathbb{E}_{\tau\sim\pi_\theta}\nabla_\theta \log P(\tau;\theta)R(\tau)\end{aligned}\end{equation}$$

状态-动作的转移是一个马尔科夫链，每一次转移的概率都是当前策略下采样到动作 $a_t$ 的概率 $\pi_\theta(a_t\mid s_t)$ 与在动作 $a_t$ 下状态转移的概率 $P(s_{t+1}\mid s_t,a_t)$ 的乘积。由于马尔科夫过程中，每一次转移与之前的状态无关，所以整个轨迹 $\tau$ 的概率分布可以直接通过这些彼此独立的概率的连乘来计算：

$$\begin{equation}\displaystyle P(\tau;\theta)=\prod_{t=0}^T P(s_{t+1}\mid s_t,a_t)\pi_\theta(a_t\mid s_t)\end{equation}$$

得到 $P(\tau;\theta)$ 的定义后，可以进一步化简 $\nabla_\theta J(\theta)$：

$$\begin{equation}\begin{aligned}\displaystyle \nabla_\theta J(\theta)=&\,\mathbb{E}_{\tau\sim\pi_\theta}\nabla_\theta \log \left[\prod_{t=0}^T P(s_{t+1}\mid s_t,a_t)\pi_\theta(a_t\mid s_t)\right] R(\tau)\\=&\,\mathbb{E}_{\tau\sim\pi_\theta}\nabla_\theta \left[\sum_{t=0}^T\log P(s_{t+1}\mid s_t,a_t)+\sum_{t=0}^T\log\pi_\theta(a_t\mid s_t)\right] R(\tau)\\=&\,\mathbb{E}_{\tau\sim\pi_\theta}\nabla_\theta \sum_{t=0}^T\log\pi_\theta(a_t\mid s_t) R(\tau)\end{aligned}\end{equation}$$

近似梯度

真正的期望是难以计算的，常常对期望取蒙特卡洛近似，得到近似的梯度：

$$\begin{equation}\displaystyle \nabla_\theta J(\theta)\approx\hat{g}=\dfrac1m\sum_{i=1}^m\nabla_\theta \left[\sum_{t=0}^T\log\pi_\theta\left(a_t^{(i)}\mid s_t^{(i)}\right) R\left(\tau^{(i)}\right)\right]\end{equation}$$

这里的 $\frac1m$ 是一个常数，可以吸收到学习率 $\alpha$ 中，于是我们可以得到策略梯度算法的参数更新过程：

有什么缺点？

策略梯度的想法是好的，但其存在一些问题，导致实际训练时效果不佳。

首先，由于普通的策略梯度算法是on-policy算法，每次采集到的样本只能使用一次。这导致使用普通策略梯度算法的训练对样本的需求量非常大，而在实际问题中，采集这么多样本并不是一件容易的事情，往往既耗费时间，代价也非常昂贵。

其次，对参数的更新没有任何限制，这会导致过度更新（overshooting）或者欠更新（undershooting）的问题。欠更新会导致模型学习的缓慢，而在强化学习中，对模型过度更新，可能会使模型落在策略很差的位置，接下来的采样不具有太多的参考价值，模型很难回到原来较好的状态。

最后，蒙特卡洛近似会带来较大的方差，这对模型的收敛也是不利的。

自然策略梯度

限制参数

为了解决 VPG 算法的问题，一种朴素的想法是限制更新后的参数与原参数之间的变化大小，如 $\Vert\Delta\theta\Vert\leq\epsilon$，现在权重更新的方案可以写成：

$$\begin{equation}\displaystyle\Delta\theta^*=\mathop{\arg\max}_{\Vert\Delta\theta\Vert\leq\epsilon}\,J(\theta+\Delta\theta)\end{equation}$$

我们可以把策略函数看作参数空间内的流形。事实上，限制参数空间不能有效地限制统计流形的变化。如果统计流形是线性的，限制 $\Vert\Delta\theta\Vert\leq\epsilon$ 会有效果，但在这种特殊情况之外，我们必须考虑统计流形对参数变化的敏感程度，这就是二阶导数的范畴了。

限制流形本身

我们需要限制更新前后策略函数的差异，也就是两个概率分布之间的差异。最常见的度量概率分布差异的指标是 KL 散度 $\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})$，权重更新的新方案可以写成：

$$\begin{equation}\displaystyle\Delta\theta^*=\mathop{\arg\max}_{\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})\leq\epsilon}\,J(\theta+\Delta\theta)\end{equation}$$

Fisher 信息矩阵是描述统计流形曲率的黎曼度量，反映了流形对边际参数变化的敏感性。如果我们只关注 $\Delta\theta=0$，那么 KL 散度的零阶与一阶泰勒展开项在 $\Delta\theta=0$ 时计算结果为 $0$，二阶项由 Hesse 矩阵表示，此时它与 Fisher 信息矩阵是等价的：

$$\begin{equation}F(\theta)=\nabla^2_\theta\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})\big|_{\Delta\theta=0}\end{equation}$$

对于 Hesse 矩阵，其中每一项都是一个二阶导数，这样的计算是非常困难的。对于 Fisher 矩阵，我们可以通过策略梯度的外积来计算：

$$\begin{equation}F(\theta)=\mathbb{E}_\theta\left[\nabla_\theta\log\pi_\theta(x)\nabla_\theta\log\pi_\theta(x)^\top\right]\end{equation}$$

拉格朗日松弛

带约束条件的优化并不方便计算，利用拉格朗日松弛方法，可以将约束转化为惩罚项，得到一个更容易求解的表达式：

$$\begin{equation}\begin{aligned}\displaystyle\Delta\theta^*=&\,\mathop{\arg\max}_{\Delta\theta}\,J(\theta+\Delta\theta)-\lambda\left(\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})-\epsilon\right)\\\approx&\,\mathop{\arg\max}_{\Delta\theta}\,J(\theta)+\nabla_\theta J(\theta)\Delta\theta-\dfrac12\lambda\left(\Delta\theta^\top\nabla^2_\theta\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})\Delta\theta\right)+\lambda\epsilon\\=&\,\mathop{\arg\max}_{\Delta\theta}\,\nabla_\theta J(\theta)\Delta\theta-\dfrac12\lambda\Delta\theta^\top F(\theta)\Delta\theta\end{aligned}\end{equation}$$

如上式展示的那样，$\Delta\theta^*$ 可以近似为损失函数 $J(\theta)$ 的一阶泰勒展开和 KL 散度的二阶泰勒展开。损失函数没有二阶展开的原因是，与散度相比，二阶泰勒展开项可以忽略不计。

找到 $\Delta\theta$

通过对需要最大化的目标求偏导，即可找到最优的权重更新：

$$\begin{equation}\displaystyle0=\dfrac{\part}{\part\Delta\theta}\left(\nabla_\theta J(\theta)\Delta\theta-\dfrac12\lambda\Delta\theta^\top F(\theta)\Delta\theta\right)=\nabla_\theta J(\theta)-\lambda F(\theta)\Delta\theta\end{equation}$$

于是我们找到了需要的 $\Delta\theta$：

$$\begin{equation}\displaystyle\Delta\theta=\dfrac1\lambda F^{-1}(\theta)\nabla_\theta J(\theta) \end{equation}$$

常数 $\frac1\lambda$ 可以吸收到学习率 $\alpha$ 中。而事实上，为了确保 $\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})\leq\epsilon$，学习率 $\alpha$ 是有解析解的。我们说过，在 $\Delta\theta=0$ 时，KL 散度的零阶和一阶项都是 $0$，这个约束其实就是：

$$\begin{equation}\dfrac12\Delta\theta^\top\nabla^2_\theta\mathcal{D}_{KL}(\pi_{\theta}\parallel\pi_{\theta+\Delta\theta})\Delta\theta\leq\epsilon\end{equation}$$

这样我们就可以再次利用 Fisher 信息矩阵了：

$$\begin{equation}\dfrac12\Delta\theta^\top F(\theta)\Delta\theta\leq\epsilon\end{equation}$$

而这里的 $\Delta\theta$ 我们可以通过学习率乘梯度计算而来，上式其实就是：

$$\begin{equation}\dfrac12(\alpha\nabla_\theta J(\theta))^\top F(\theta)(\alpha\nabla_\theta J(\theta))\leq\epsilon\end{equation}$$

化简可得：

$$\begin{equation}\displaystyle\alpha=\sqrt{\dfrac{2\epsilon}{\nabla_\theta J(\theta)^\top F^{-1}(\theta)\nabla_\theta J(\theta)}} \end{equation}$$

因此权重更新方案就是：

$$\begin{equation}\displaystyle\Delta\theta=\alpha F^{-1}(\theta)\nabla_\theta J(\theta)=\sqrt{\dfrac{2\epsilon}{\nabla_\theta J(\theta)^\top F^{-1}(\theta)\nabla_\theta J(\theta)}}\tilde{\nabla}_\theta J(\theta) \end{equation}$$

简而言之，自然策略梯度算法从两个方面提出了改进：使用了针对流形曲率校正的自然梯度 $\tilde{\nabla}_\theta J(\theta)=F^{-1}(\theta)\nabla_\theta J(\theta)$，且更新的学习率是动态的，可以自动限制策略变化的幅度。

还有什么缺点？

自然梯度算法从理论上得到了一个漂亮的结论，但是并没有验证策略在这种更新下是否确实有改进，而且在近似值下约束也未必真的能满足。

此外，Fisher 信息矩阵求逆是一个 $\Theta(N^3)$ 复杂度的计算，而且需要占用 $|\theta|^2$ 的空间，时空复杂度都是难以接受的。

最后，诸如 Adam 等梯度优化器都是对一阶梯度的优化，自然梯度算法使用了二阶梯度，无法使用这些优化器。

信任域策略优化

理论

优势函数 $A^{\pi_\theta}(s,a)=\mathbb{E}\left(Q^{\pi_\theta}(s,a)-V^{\pi_\theta}(s)\right)$ 是一种优化的奖励信号，它为价值函数添加了基线。优势函数为正，即意味着采取的动作“好于预期”。使用优势函数后，可以将更新前后的目标函数建立如下联系：

$$\begin{equation}\begin{aligned}\displaystyle J(\pi_{\theta+\Delta\theta})=&\,J(\pi_\theta)+\mathbb{E}_{\tau\sim\pi_\theta}\sum_{t=0}^\infty\gamma^t A^{\pi_\theta}(s_t,a_t)\\=&\,J(\pi_\theta)+\sum_{s\in\mathcal{S}}\rho_{\pi_{\theta+\Delta\theta}}(s)\sum_{a\in\mathcal{A}}\pi_{\theta+\Delta\theta}(a\mid s) A^{\pi_\theta}(s,a)\\\approx&\,J(\pi_\theta)+\sum_{s\in\mathcal{S}}\rho_{\pi_\theta}(s)\sum_{a\in\mathcal{A}}\pi_{\theta+\Delta\theta}(a\mid s) A^{\pi_\theta}(s,a)\end{aligned}\end{equation}$$

其中 $\rho_{\pi_\theta}$ 是在 $\pi_\theta$ 策略下状态的分布。接下来，我们必须让事情适合模拟，因为我们没有完整的状态和动作集。我们将 $\rho$ 替换为期望符号，这样我们可以使用蒙特卡洛估计对其进行采样——并使用重要性采样来替换对动作的求和。通过重要性采样，我们有效地利用了当前策略下对各种动作的期望，并针对新策略下的概率进行了修正：

$$\begin{equation}\displaystyle J(\pi_{\theta+\Delta\theta})\approx J(\pi_\theta)+\mathbb{E}_{s\sim \rho_{\pi_\theta}}\dfrac{\pi_{\theta+\Delta\theta}(a\mid s)}{\pi_{\theta}(a\mid s)} A^{\pi_\theta}(s,a)\end{equation}$$

我们将新策略下的目标函数值相对于旧策略的优势记为代理函数 $\mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})$：

$$\begin{equation}\displaystyle J(\pi_{\theta+\Delta\theta})-J(\pi_\theta)\approx \mathbb{E}_{s\sim \rho_{\pi_\theta}}\dfrac{\pi_{\theta+\Delta\theta}(a\mid s)}{\pi_{\theta}(a\mid s)} A^{\pi_\theta}(s,a)=\mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})\end{equation}$$

$J(\pi_{\theta+\Delta\theta})-J(\pi_\theta)$ 与 $\mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})$ 的近似误差可以用两种策略之间最坏情况下的 KL 散度表示：

$$\begin{equation}\displaystyle J(\pi_{\theta+\Delta\theta})-J(\pi_\theta)\geq \mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})-C\mathcal{D}_{KL}^{\max}(\pi_\theta\parallel\pi_{\theta+\Delta\theta})\end{equation}$$

这个公式意味着，如果 $\mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})$ 超过了 $C\mathcal{D}_{KL}^{\max}(\pi_\theta\parallel\pi_{\theta+\Delta\theta})$，我们对策略函数的修改就是朝着好的方向进行的。所以我们只要优化 $\mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})$，就能保证一定是在优化策略函数。

惩罚 $C$ 是通过分析得出的，会产生了相当严厉的惩罚。如果我们遵循理论上的 TRPO 算法，更新会非常缓慢。

实践

因此实际上，TRPO算法从基于惩罚变成了基于约束，其建立在自然梯度算法上，采用了以下几点优化：

• 共轭梯度法：我们已经讲过，自然策略梯度的一个问题在于，计算逆 Fisher 矩阵是一个相当困难的事情。但是我们在前面的推导中，已经化简过 $\nabla J(\theta)$ 了，这里再复习一下：$\nabla J(\theta)=\mathbb{E}_{\tau\sim\pi_\theta}\sum_t\nabla\log\pi_\theta(a_t\mid s_t) R(\tau)$，而 $\Delta\theta=\dfrac1\lambda F^{-1}(\theta)\nabla J(\theta)$，不难发现，其实我们只需要乘积 $F^{-1}∇\log\pi_\theta(x)$，而不需要单独计算逆矩阵 $F^{-1}$。如果可以计算$x=F^{-1}\nabla\log\pi_\theta(x)$ 或 $F\cdot x=\nabla\log\pi_\theta(x)$，我们实际上并不需要求出逆矩阵。共轭梯度可以比矩阵求逆更快地逼近这个乘积，大大加快更新过程。

• 线性搜索：虽然自然梯度提供了给定 KL 散度约束下的最佳步长，但由于取了近似值，更新实际上可能不满足约束。TRPO 通过线性搜索来解决这个问题——与典型的梯度搜索不同——TRPO 从自然梯度的建议值开始，迭代地减小更新的步长（通过不断衰减的 $\alpha^j$），直到更新不再不违反约束。这个过程也可以看作是逐步缩小信任区域，在最终产生更新时，我们可以相信，信任区域内的更新确实可以改进策略函数。

• 改进检查：TRPO 并没有通过理论求出到底怎样更新才能真正改进策略函数，它直接验证了代理目标函数 $\mathcal{L}(\theta)$ 在更新后是否有所改善（即上面伪代码的 $\mathcal{L}(\theta)\geq0$）。回想一下，由于取了近似，自然策略梯度对优化的理论保证不再成立，TRPO 直接实验检查了这一点。

完整的 TRPO 伪代码如下图所示：

还有什么问题？

尽管采用了共轭梯度法，TRPO仍然难以处理大的 Fisher 矩阵——即使不需要对它们求逆——准确逼近 Fisher 矩阵需要大量的样本。

此外 TRPO 用的依旧是二阶梯度，我们还是用不了 Adam 之类的优化器。而且 TRPO 实际上的算法是基于约束的，我们知道基于约束的算法，跑起来比基于惩罚的算法慢多了。

近端策略优化

基于惩罚

在 TRPO 部分，我们已经把目标函数的更新与代理优势函数建立了联系，对参数的更新其实就是：

$$\begin{equation}\displaystyle \Delta\theta^*=\mathop{\arg\max}_{\Delta\theta}\, \mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta})-\beta\mathcal{D}_{KL}(\pi_\theta\parallel\pi_{\theta+\Delta\theta})\end{equation}$$

一个问题是很难确定各种任务下通用的 $\beta$ 值。事实上，即使是同一个任务，随着时间的推移，合适的 $\beta$ 也可能发生变化。我们没有对 KL 散度设置上限，因此有时我们希望比其他时候更严厉的惩罚，以免更新过大。

PPO 设置了一个“目标差异” $\delta$，我们希望我们的更新在 $\delta$ 附近——更新应该足够大，这样才足以改变策略函数；更新也应当足够小，以免更新不稳定。

每次更新后，PPO 都会检查更新的大小。如果真实的更新太大，对于下一次迭代，我们通过加倍 $\beta$ 来实施更严厉的惩罚。相反，如果更新太小，我们将 $\beta$ 减半，从而扩大信任区域，让下一次更新幅度更大。这里与 TRPO 线性搜索有一些相似之处，不过 PPO 对更新步伐的约束在两个方向上都有效。

超过某个目标阈值的 $1.5$ 倍，我们将 $\beta$ 加倍，不足阈值的 $1/1.5$，我们将 $\beta$ 减半。这并不是精心证明的结果，而是启发式确定的。PPO 的更新会不时违反约束条件，但通过调整 $\beta$，我们可以很快地纠正它。根据经验，PPO 似乎对超参数设置非常不敏感。总之，PPO 牺牲了一些数学上的严谨性来支持实用主义。

而且值得注意的一点是，由于 PPO 更新相当小，我们可以在某种程度上重复使用采到的样本，并使用重要性采样校正更新的动作概率。

PPO 基于惩罚的算法如下图所示：

基于 Clip

不过 PPO 还有另一种更好的实现。与其费心地随着时间推移改变惩罚，我们不妨直接限制策略函数可以改变的范围。由于在裁剪范围之外的更新所获得的优势函数，不被用于更新目的，这种做法鼓励智能体更新时与原策略尽量保持接近。目标函数仍通过代理优势函数计算，但现在看起来像这样：

$$\begin{equation}\displaystyle \mathcal{L}_{\pi_\theta}^{CLIP}(\pi_{\theta_k})=\mathbb{E}_{\tau\sim\pi_\theta}\left[\sum_{t=0}^T\left[\min\left(\rho_t(\pi_\theta,\pi_{\theta_k})A_t^{\pi_{\theta_k}},\text{clip}(\rho_t(\pi_\theta,\pi_{\theta_k}),1-\epsilon,1+\epsilon)A_t^{\pi_{\theta_k}}\right)\right]\right]\end{equation}$$

$$\begin{equation}\displaystyle \mathcal{L}_{\pi_\theta}(\pi_{\theta+\Delta\theta}):= \mathbb{E}_{s\sim \rho_{\pi_\theta}}\min\left\{\dfrac{\pi_{\theta+\Delta\theta}(a\mid s)}{\pi_{\theta}(a\mid s)}A^{\pi_\theta}(s,a),\text{clip}\left(\dfrac{\pi_{\theta+\Delta\theta}(a\mid s)}{\pi_{\theta}(a\mid s)},1-\epsilon,1+\epsilon\right)A^{\pi_\theta}(s,a)\right\}\end{equation}$$

其中 $\rho_t(\theta)=\dfrac{\pi_\theta(a_t\mid s_t)}{\pi_{\theta_k}(a_t\mid s_t)}$ 是重要性采样率。在这种目标函数下，超出可信区域外的样本，会被约束到不依赖于 $\theta$ 的值 $(1-\epsilon)A$ 或 $(1+\epsilon)A$ 上，从而不会被用来更新。对于不同的采样情况，基于 Clip 的 PPO 分别会进行如下操作：

根据经验，$\epsilon=0.1$ 或 $\epsilon=0.2$ 是一个比较好的取值。完整的算法如下：

PPO 在速度、谨慎性和可用性之间取得了美妙的平衡。虽然 PPO 没有自然梯度和 TRPO 的理论保证和数学技巧，但在实际应用中，PPO 却能首先做到收敛。自 2017 年推出以来，PPO 迅速成为连续控制问题的首选算法，现在依旧具有相当的竞争力。有意思的是，深度强化学习的简单性似乎得到了回报。