原先的强化学习maml代码因为版本兼容性问题不可以用了，本项目仅对不兼容部分进行了修改，下面是当时运行代码的时候的笔记。

• futures = sampler.sample_asnc(tasks, args)的整个流程

  首先我们需要将采样的任务tasks传送给SamplerWorker, 让他采集数据, 因为这个地方采集数据是异步并行的, 所以效率非常的高, 在他采集数据的同时, 我们进行数据的收集和整理, 让数据从下层传输到上层, 这个过程也就是sonsumer做的事情, 在将数据put进task_queue之后, 我们就运行_start_consumer_threads, 在这个里面我们create了会让程序阻塞的train_future和valid_future, 其他地方的future都是这里future的返回值, 这个future定义在这里我们就不需要管他了, 我们只需要知道他是丢进了当前这个self._event_loop就可以了, create了之后我们就需要定义一个thread, 这个thread的目的就是将future的值给设置好, 把futures的值设置好也是一开始我们的目的.

  这个thread他做的事情就是把我们采集到的数据传回去, 我们使用SamplerWorker对任务进行采样, 采样任务通过在sampler_async函数里put进入task_queue告知, SamplerWorker采样到的数据通过put进入train_queue告知, 告知了之后这个thread正在运行的_create_consumer就会把数据给拿到, 并且让eventloop带回把这个值设置给future, 为什么不直接在_create_consumer里设置future, 这是因为future的创建和设置值都必须在同一个线程里面.

  我们再来看SamplerWorker, 当我们把task给task_queue的时候, SamplerWorker就开始运行了, 因为在run里面有一个self.task_queue.get(), 所以只要把值给到了task_queue, 那么就会通知run函数执行下去而不需要继续等待了, 接着就会调用sample函数得到valid和train的episode, 他们都利用create_episode创建一个episode, create_episode会调用sample_trajectories让这个环境step一步, 然后逐渐的走到结束为止, 这样一个episode就完成了.

  最后还在这个sample里面更新了params, 这个暂时不讨论, 后面在讨论param更新的时候说.

• TRPO

  TRPO的目标函数是 :

  $$ L(\theta) = \sum_t \rho_t(\theta) A_t $$

  其中ρt(θ)\rho_t(\theta)是新旧策略的概率之差, AtA_t是优势函数, 在优化目标函数的同时需要满足KL散度约束 :

  $$ KL[\pi(\theta_{\text{old}}) | \pi(\theta)] \leq \delta $$

  拉格朗日函数是一种将优化问题的目标函数和约束条件组合起来的方法, 使用了一个拉格朗日乘子λ\lambda来将约束条件转化成一个可以优化的形式, 然后将目标函数和约束条件组合成一个求和的形式, 并且调整λ\lambda的大小来控制目标函数和约束条件之间的权衡, 具体的来说我们希望最大化L(θ)L(\theta), 最小化KLKL, 也就是最大化−KL-KL, 我们可以调整这个λ\lambda, 当λ\lambda越大的时候, 违反KLKL约束的代价也会越大, 当λ\lambda越小的时候, 满足目标函数就会越重要.

  $$ L(\theta) - \lambda KL[\pi(\theta_{\text{old}}) | \pi(\theta)] $$

  为了让式子更便于优化, 我们先把θ\theta换成θold+Δθ\theta_{old}+\Delta\theta, 这个时候我们就把优化的参数从θ\theta转换成了Δθ\Delta\theta了, 然后再进行二阶泰勒展开 :

  $$ L(\theta) \approx L(\theta_{old}) + \Delta \theta^T \nabla L(\theta_{old}) + \frac{1}{2}\Delta \theta^T \nabla^2 L(\theta_{old}) \Delta \theta \\ KL[\pi(\theta_{old}) | \pi(\theta)] \approx \frac{1}{2}\Delta \theta^T H \Delta \theta $$

  在这里再解释一下为什么KLKL项等于这个, 因为$KL(\theta)=KL[\pi(\theta_{old}) | \pi(\theta)]$, 所以他的二阶泰勒逼近是 :

  $$ KL(\theta) \approx KL(\theta_0) + KL'(\theta_0)(\theta - \theta_0) + \frac{1}{2}KL''(\theta_0)(\theta - \theta_0)^2 \

  \nabla_{\theta} D_{KL}(\pi(\theta_{\text{old}}) || \pi(\theta)) = E_{x \sim \pi(\theta_{\text{old}})}\left[\frac{\pi(\theta_{\text{old}}) - \pi(\theta)}{\pi(\theta)}\right]\ $$

  因为这里是一个多元函数, 所以泰勒展开会稍微变一下, 举一个二维函数变量为xx和yy的例子:

  $$ f(x, y) \approx f(x_0, y_0) + f_x(x_0, y_0)(x - x_0) + f_y(x_0, y_0)(y - y_0) + \frac{1}{2}(x - x_0)^2 f_{xx}(x_0, y_0) + (x - x_0)(y - y_0)f_{xy}(x_0, y_0) + \frac{1}{2}(y - y_0)^2 f_{yy}(x_0, y_0) $$

  后面的三项也就是二阶泰勒展开, 可以变一下成下面这样子:

  $$ ... $$

  然后因为我们最后要关心的是两个策略之间的θ\theta不能超过某一个值, 所以这个时候我们就可以不要常数项第一项,因为最后会减去就没有了, 然后这里的步长是这样计算的 :

  $$ \lambda = \sqrt{\frac{1}{2}\Delta\theta^T H \Delta\theta / \delta}\\ \text{stepsize} = \frac{1}{\lambda} $$