强化学习

这里记录一下整理的ChatGPT输出的关于强化学习的公式。2026-9-11更新。

强化学习公式

1. MDP 与回报

一个 一个无限/有限时域的马尔可夫决策过程（MDP）定义为：

$$\mathcal{M} = (\mathcal{S},\mathcal{A},P,r,\gamma)$$

轨迹概率为：

$$p_\theta(\tau)=\rho(s_0) \prod_{t=0}^{T-1} \pi_\theta(a_t\mid s_t)\,P(s_{t+1}\mid s_t,a_t)$$

折扣回报：

$$G_t = \sum_{k=0}^\infty \gamma^k r_{t+k}$$

优化目标：

$$J(\theta)=\mathbb{E}_{\tau\sim p_\theta}[G_0]$$

2. 价值函数与优势

$$V^\pi(s)=\mathbb{E}[G_t|s_t=s],\quad Q^\pi(s,a)=\mathbb{E}[G_t|s_t=s,a_t=a]$$

优势函数：

$$A^\pi(s,a)=Q^\pi(s,a) - V^\pi(s)$$

3. 原始策略梯度

对目标函数求梯度

$$\nabla_\theta J(\theta) = \nabla_\theta \int p_\theta(\tau)\,G_0\, d\tau = \int \nabla_\theta p_\theta(\tau)\, G_0\, d\tau.$$

使用 Log-Derivative Trick：

$$\nabla_\theta p_\theta(\tau) = p_\theta(\tau)\,\nabla_\theta \log p_\theta(\tau).$$

$$\nabla_\theta J(\theta) = \int p_\theta(\tau)\, G_0\, \nabla_\theta \log p_\theta(\tau)\, d\tau = \mathbb{E}_{\tau\sim p_\theta} \big[ G_0\,\nabla_\theta \log p_\theta(\tau)\big].$$

因为环境转移 $P$与参数 $\theta$无关：

$$\log p_\theta(\tau) = \sum_{t=0}^{T-1}\log\pi_\theta(a_t\mid s_t) + \text{常数}.$$

对 $\theta$求导：

$$\nabla_\theta \log p_\theta(\tau) = \sum_{t=0}^{T-1}\nabla_\theta \log \pi_\theta(a_t\mid s_t).$$

$$\nabla_\theta J(\theta) = \mathbb{E}\left[ G_0 \sum_{t=0}^{T-1}\nabla_\theta \log \pi_\theta(a_t\mid s_t) \right].$$

将 $G_0$展开到时间步级别，使用分段回报

$$G_t=\sum_{k=0}^\infty \gamma^k r_{t+k},$$

$$\nabla_\theta J(\theta) = \mathbb{E}\left[ \left(\sum_{k=0}^{T-1} \gamma^k r_k\right) \left(\sum_{t=0}^{T-1} \nabla_\theta \log \pi_\theta(a_t\mid s_t)\right) \right].$$

$$\nabla_\theta J(\theta) = \mathbb{E}\left[ \sum_{t=0}^{T-1}\sum_{k=0}^{T-1} \gamma^k r_k \,\nabla_\theta \log \pi_\theta(a_t\mid s_t) \right].$$

$$\nabla_\theta J(\theta) = \mathbb{E}\left[ \sum_{t=0}^{T-1} \left( \sum_{k=0}^{t-1} \gamma^k r_k + \sum_{k=t}^{T-1} \gamma^k r_k \right) \nabla_\theta \log \pi_\theta(a_t\mid s_t) \right].$$

“过去的奖励”项的梯度为 0（因果性），故对每个固定的 $t$，考虑第一项：

$$\sum_{k=0}^{t-1} \gamma^k r_k \,\nabla_\theta \log \pi_\theta(a_t\mid s_t).$$

在马尔可夫决策过程里，在时间 $t$ 选择的动作 $a_t$ 只会影响之后的状态和奖励（即 $k \ge t$部分），不会影响已经发生的过去奖励 $r_0,\dots,r_{t-1}$。形式化一点，可以看作在条件于历史 $h_t=(s_0,a_0,\dots,s_t)$下， 过去的奖励 $\{r_k\}_{k < t}$对 $a_t$的分布是“常数”，于是：

$$\mathbb{E}\big[\sum_{k=0}^{t-1} \gamma^k r_k \,\nabla_\theta \log \pi_\theta(a_t\mid s_t)\big] = \mathbb{E}\left[ \left(\sum_{k=0}^{t-1} \gamma^k r_k\right) \mathbb{E}\big[\nabla_\theta \log \pi_\theta(a_t\mid s_t)\mid h_t\big] \right].$$

但对任意分布 $p_\theta(a_t\mid s_t)$，有：

$$\mathbb{E}_{a_t\sim \pi_\theta(\cdot\mid s_t)} [\nabla_\theta \log \pi_\theta(a_t\mid s_t)] = \nabla_\theta \sum_{a_t}\pi_\theta(a_t\mid s_t) = \nabla_\theta 1 = 0.$$

因此：

$$\mathbb{E}\big[\sum_{k=0}^{t-1} \gamma^k r_k \,\nabla_\theta \log \pi_\theta(a_t\mid s_t)\big] = 0.$$

“过去奖励 × 当前 log-prob 梯度”的期望为 0， 对梯度没有贡献，可以整体丢掉。保留“未来的奖励”项于是只剩下 $k \ge t$的那部分：

$$\nabla_\theta J(\theta) = \mathbb{E}\left[ \sum_{t=0}^{T-1} \left( \sum_{k=t}^{T-1} \gamma^k r_k \right) \nabla_\theta \log \pi_\theta(a_t\mid s_t) \right],$$

$$\sum_{k=t}^{T-1} \gamma^k r_k = \gamma^t \sum_{k=t}^{T-1} \gamma^{k-t} r_k = \gamma^t G_t,$$

$$G_t = \sum_{l=0}^{T-1-t} \gamma^l r_{t+l}.$$

对某一个$\tau$，$G_t$是固定的。因此，我们得到：

$$\boxed{ \nabla_\theta J(\theta) = \mathbb{E}\left[ \sum_{t=0}^{T-1} \gamma^t G_t\, \nabla_\theta \log \pi_\theta(a_t\mid s_t) \right]. }$$

4. 吸收$\gamma^t$到折扣状态分布 $d^\pi_\gamma(s)$

我们想说明如果我们去采样不同的轨迹$\tau$，那么我们得到的各个状态的分布里面已经包含了$\gamma$，可以将其剔除上面的公式。

$f$ 表示一个定义在状态上的任意函数（arbitrary function），引入 $f(s)$ 来说明任意关于状态的时间折扣求和，都可以改写成对折扣状态分布 $d^\pi_\gamma(s)$的期望。

$$\mathbb{E}\Big[\sum_{t=0}^\infty \gamma^t f(s_t)\Big]$$

$$d^\pi_\gamma(s) = (1-\gamma) \sum_{t=0}^\infty \gamma^t P(s_t = s \mid \pi).$$

对策略$\pi$，求期望。展开时间期望:

$$\mathbb{E}\Big[\sum_{t=0}^\infty \gamma^t f(s_t)\Big] = \sum_{t=0}^\infty \gamma^t\, \mathbb{E}[f(s_t)] = \sum_{t=0}^\infty \gamma^t \sum_{s} P(s_t = s \mid \pi)\, f(s).$$

交换求和顺序：

$$= \sum_{s} f(s) \sum_{t=0}^\infty \gamma^t P(s_t = s \mid \pi).$$

定义于是

$$\sum_{t=0}^\infty \gamma^t P(s_t = s \mid \pi) = \frac{1}{1-\gamma} d^\pi_\gamma(s).$$

代回原式

$$\mathbb{E}\Big[\sum_{t=0}^\infty \gamma^t f(s_t)\Big] = \sum_s f(s)\, \frac{1}{1-\gamma} d^\pi_\gamma(s) = \frac{1}{1-\gamma} \sum_s d^\pi_\gamma(s) f(s).$$

这可以写成对 $d^\pi_\gamma(s)$的期望

$$\mathbb{E}\Big[\sum_{t=0}^\infty \gamma^t f(s_t)\Big] = \frac{1}{1-\gamma}\, \mathbb{E}_{s\sim d^\pi_\gamma}[f(s)]$$

推广到 $(s_t,a_t)$上同样地，对任意函数 $g(s,a)$，有

$$\mathbb{E}_{\tau}\Big[\sum_{t=0}^\infty \gamma^t g(s_t,a_t)\Big] = \frac{1}{1-\gamma}\, \mathbb{E}_{s\sim d^\pi_\gamma,\; a\sim \pi(\cdot\mid s)}[g(s,a)]$$

令 $g(s_t,a_t) = A^\pi(s_t,a_t)\nabla_\theta \log \pi_\theta(a_t\mid s_t)$，则

$$\mathbb{E}\Big[\sum_t \gamma^t G^\pi(s_t,a_t)\nabla_\theta\log\pi_\theta(a_t\mid s_t)\Big] = \frac{1}{1-\gamma} \mathbb{E}_{s\sim d^\pi_\gamma,\; a\sim \pi} \big[G^\pi(s,a)\nabla_\theta\log\pi_\theta(a\mid s)\big]$$

这里我们直接写成更常见的形式（省略显式 $\gamma^t$），其实这里求期望的对象已经变了

$$\nabla_\theta J \propto \mathbb{E}\left[\sum_{t} G_t \,\nabla_\theta\log\pi_\theta(a_t\mid s_t)\right]$$

5. 引入基线，不改变策略梯度

我们要证明

$$\mathbb{E}\big[b(s_t)\nabla_\theta\log\pi(a_t\mid s_t)\big] = 0$$

首先展开条件期望

$$\mathbb{E}\big[b(s_t)\nabla_\theta\log\pi(a_t\mid s_t)\big] = \mathbb{E}_{s_t}\left[ b(s_t)\; \mathbb{E}_{a_t\sim\pi(\cdot\mid s_t)} \big[\nabla_\theta \log\pi(a_t\mid s_t)\big] \right]$$

因为 baseline 不依赖动作，可以提出来。接着利用 log 概率的恒等式

$$\mathbb{E}_{a_t\sim\pi}\big[\nabla_\theta \log\pi(a_t\mid s_t)\big] = \sum_{a_t}\pi(a_t\mid s_t)\nabla_\theta \log\pi(a_t\mid s_t)$$

将 $\nabla \log\pi$写回去

$$= \sum_{a_t}\pi(a_t\mid s_t) \frac{\nabla_\theta\pi(a_t\mid s_t)}{\pi(a_t\mid s_t)} = \sum_{a_t}\nabla_\theta \pi(a_t\mid s_t)$$

$$= \nabla_\theta \sum_{a_t}\pi(a_t\mid s_t) = \nabla_\theta 1 = 0.$$

所以 baseline 项的期望为 0

$$\mathbb{E}[b(s_t)\nabla_\theta\log\pi(a_t\mid s_t)] = \mathbb{E}_{s_t}\big[b(s_t)\cdot 0\big] = 0.$$

6. $G_t$ 替换成优势函数

$$G_t \;\to\; G_t - b(s_t)$$

利用基线不改变期望梯度

$$\nabla_\theta J = \mathbb{E}\left[\sum_t (G_t - b(s_t)) \,\nabla_\theta\log\pi_\theta(a_t\mid s_t)\right]$$

取

$$b(s_t) = V^\pi(s_t), \quad A^\pi(s_t,a_t) = G_t - V^\pi(s_t)$$

得到策略梯度的优势形式

$$\nabla_\theta J = \mathbb{E}\left[\sum_t A^\pi(s_t,a_t) \,\nabla_\theta\log\pi_\theta(a_t\mid s_t)\right]$$

7. Generalized Advantage Estimation（广义优势估计）

GAE 的目标：构造一个既低方差又低偏差的优势估计 $\hat{A}_t$。

优势函数

$$A^\pi(s_t,a_t) = Q^\pi(s_t,a_t) - V^\pi(s_t).$$

回报定义

$$Q^\pi(s_t,a_t) = \mathbb{E}[G_t].$$

TD 残差（1-step advantage）

$$\delta_t = r_t + \gamma V(s_{t+1}) - V(s_t).$$

• 方差小（只看 1 个 step）

• 偏差大（只用 1-step TD）

更一般的 k-step advantage：

$$A^{(k)}_t = \sum_{l=0}^{k-1} \gamma^l r_{t+l} + \gamma^k V(s_{t+k}) - V(s_t).$$

特殊情况：

• $k=1$：TD(0)
• $k=\infty$：使用完整回报 $G_t$，方差最大

GAE 的核心思想： 将不同 k-step 混合。GAE 使用一个系数 $\lambda\in[0,1]$，将不同 k-step 的优势按几何权重混合：

$$\hat{A}^{\mathrm{GAE}(\gamma,\lambda)}_t = (1-\lambda)\sum_{k=1}^\infty \lambda^{k-1} A^{(k)}_t.$$

这是 GAE 的定义，但形式不够适合计算。

8. 将 k-step 展开 → 得到“TD 残差累加”形式（关键步骤）

我们先把几个小的 k 看一眼，观察规律：

• 1-step (k=1)：

$$A_t^{(1)} = r_t + \gamma V(s_{t+1}) - V(s_t) = \delta_t.$$

• 2-step (k=2)：

$$\begin{aligned} A_t^{(2)} &= r_t + \gamma r_{t+1} + \gamma^2 V(s_{t+2}) - V(s_t) \\ &= \underbrace{r_t + \gamma V(s_{t+1}) - V(s_t)}_{\delta_t} + \gamma \underbrace{\big(r_{t+1} + \gamma V(s_{t+2}) - V(s_{t+1})\big)}_{\delta_{t+1}} \\ &= \delta_t + \gamma \delta_{t+1}. \end{aligned}$$

• 3-step (k=3)：

$$\begin{aligned} A_t^{(3)} &= r_t + \gamma r_{t+1} + \gamma^2 r_{t+2} + \gamma^3 V(s_{t+3}) - V(s_t) \\ &= \delta_t + \gamma \delta_{t+1} + \gamma^2 \delta_{t+2}. \end{aligned}$$

可以猜到一般形式：

$$\boxed{ A_t^{(k)} = \sum_{l=0}^{k-1} \gamma^l \delta_{t+l}. }$$

GAE 的定义（λ-return 形式）是

$$\hat{A}_t^{\mathrm{GAE}(\gamma,\lambda)} = (1-\lambda)\sum_{k=1}^{\infty} \lambda^{k-1} A_t^{(k)}.$$

现在代入得到：

$$\begin{aligned} \hat{A}_t &= (1-\lambda)\sum_{k=1}^{\infty} \lambda^{k-1} \left( \sum_{l=0}^{k-1} \gamma^l \delta_{t+l} \right) \\ &= (1-\lambda)\sum_{k=1}^{\infty} \sum_{l=0}^{k-1} \lambda^{k-1}\gamma^l \delta_{t+l}. \end{aligned}$$

交换求和顺序，把“按 k 累加”变成“按 l 累加”，注意对每个固定的 $l$，它出现于所有 $k \ge l+1$的项中。于是：

$$\hat{A}_t = (1-\lambda)\sum_{l=0}^{\infty} \left( \gamma^l \delta_{t+l} \sum_{k=l+1}^{\infty} \lambda^{k-1} \right).$$

我们只需计算几何级数：

$$\sum_{k=l+1}^{\infty} \lambda^{k-1} = \lambda^l \sum_{j=0}^{\infty} \lambda^j = \lambda^l \cdot \frac{1}{1-\lambda}.$$

代回：

$$\begin{aligned} \hat{A}_t &= (1-\lambda)\sum_{l=0}^{\infty} \gamma^l \delta_{t+l} \left( \lambda^l \cdot \frac{1}{1-\lambda} \right) \\ &= \sum_{l=0}^{\infty} (\gamma^l \lambda^l) \delta_{t+l} = \sum_{l=0}^{\infty} (\gamma\lambda)^l \delta_{t+l}. \end{aligned}$$

于是得到 GAE 最常用的形式：

$$\boxed{ \hat{A}_t = \sum_{l=0}^{\infty} (\gamma\lambda)^l \delta_{t+l} }$$

其中

$$\delta_t = r_t + \gamma V(s_{t+1}) - V(s_t).$$

9. GAE 的递推形式（计算最方便）

对有限 horizon $T$，从后往前递推：

$$\hat{A}_t = \delta_t + \gamma\lambda \hat{A}_{t+1}.$$

这是所有 PPO 实现使用的形式。

为什么 GAE 好？

• $\lambda = 0$：纯 TD → 最小方差 / 最大偏差
• $\lambda = 1$：Monte-Carlo → 无偏 / 最大方差

GAE 用 $\lambda$平衡二者：

$\lambda$越大 → 更像 MC，偏差小、方差大

$\lambda$越小 → 更像 TD，偏差大、方差小

通常 $\lambda = 0.95$是最佳经验值。

10. 新旧策略与重要性采样比率

在实际算法中，数据通常是用“旧策略” $\pi_{\theta_{\text{old}}}$采样得到的，
但我们要优化的是“新策略” $\pi_\theta$。

利用重要性采样：

$$\mathbb{E}_{a\sim\pi_\theta(\cdot\mid s)}[f(s,a)] = \mathbb{E}_{a\sim\pi_{\theta_{\text{old}}}(\cdot\mid s)}\left[ \frac{\pi_\theta(a\mid s)}{\pi_{\theta_{\text{old}}}(a\mid s)} f(s,a) \right].$$

定义比率：

$$r_t(\theta) = \frac{\pi_\theta(a_t\mid s_t)}{\pi_{\theta_{\text{old}}}(a_t\mid s_t)}.$$

于是可以写出一个“替代目标”（surrogate objective）：

$$L^{\mathrm{PG}}(\theta) = \mathbb{E}_{t\sim\pi_{\theta_{\text{old}}}}\big[ r_t(\theta)\,\hat{A}_t \big].$$

其梯度就是策略梯度的近似：

$$\nabla_\theta L^{\mathrm{PG}}(\theta) \approx \nabla_\theta J(\theta).$$

11. TRPO：加 KL 约束的优化

TRPO 的思想：

最优化 $L^{\mathrm{PG}}(\theta)$，但限制新旧策略的 KL 距离不要太大。

形式为：

$$\max_\theta\ \mathbb{E}_t\big[ r_t(\theta)\,\hat{A}_t \big]$$

$$\text{s.t.}\quad \mathbb{E}_t\big[ \mathrm{KL}\big(\pi_{\theta_{\text{old}}}(\cdot\mid s_t)\,\|\,\pi_\theta(\cdot\mid s_t)\big) \big] \le \delta.$$

这在实现上需要二阶信息（Fisher 信息矩阵），比较复杂。

---

12. Proximal Policy Optimization，PPO 用剪切（clip）近似 TRPO

PPO 的想法：

不显式做 KL 约束，而是 直接在比率 $r_t(\theta)$上做剪切，
让每次更新“不要离旧策略太远”。

PPO 定义“剪切替代目标”（clipped surrogate objective）：

$$L^{\mathrm{CLIP}}(\theta) = \mathbb{E}_t\Big[ \min\big( r_t(\theta)\,\hat{A}_t,\ \mathrm{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)\,\hat{A}_t \big) \Big].$$

解释：

• 当 $r_t(\theta)$在 $[1-\epsilon, 1+\epsilon]$里面时，
  用原始项 $r_t(\theta)\hat{A}_t$。
• 当 $r_t(\theta)$偏离 1 太多时，用截断后的
  $\mathrm{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)\hat{A}_t$，
  防止策略变化过大。

这相当于把 TRPO 的 KL 约束替换为一个更简单的“局部更新限制”。

13. PPO 的完整损失（加入 Value Clipping 与熵正则）

实际训练时，PPO 通常同时学习价值函数 $V_\phi$，并加入 value clipping 与熵正则：

$$L^{\mathrm{PPO}}(\theta,\phi) = \mathbb{E}_t\Big[ L^{\mathrm{CLIP}}(\theta) - c_1 L_t^{V}(\phi) + c_2 \mathcal{H}\big(\pi_\theta(\cdot\mid s_t)\big) \Big],$$

其中价值函数损失采用 clipped value loss：

$$L_t^{V}(\phi) = \max\Big( (V_\phi(s_t)-V_t^{\mathrm{target}})^2, (V_t^{\mathrm{clip}}-V_t^{\mathrm{target}})^2 \Big),$$

这里

$$V_t^{\mathrm{clip}} = V_{\phi_{\mathrm{old}}}(s_t) + \mathrm{clip}\Big( V_\phi(s_t)-V_{\phi_{\mathrm{old}}}(s_t), -\epsilon_v,\epsilon_v \Big).$$

• $V_t^{\mathrm{target}}$：回报、TD target 或 GAE 对应的 value target；
• $\mathcal{H}$：策略熵，鼓励探索；
• $c_1,c_2$：损失权重超参数；
• $\epsilon_v$：value clipping 范围，通常与 policy clip 的 $\epsilon$ 相同或接近。

value clipping 的作用是限制：

$$V_\phi(s_t)-V_{\phi_{\mathrm{old}}}(s_t)$$

的变化幅度，避免价值函数更新过快，从而提升训练稳定性。

这个value clipping 可没有想象的简单

policy的clip用的是ratio，而在value中用的是直接对value绝对值裁切，也就意味着我们是对value的范围是有要求的，如果value尺度过大可能会产生问题！

OpenAI Baselines 引入基于折扣累计奖励的归一化，为减轻奖励尺度对 critic 训练的影响，可以维护过去奖励的折扣累计量：

$$z_t=\gamma z_{t-1}+r_t$$

统计历史所有 (z_t) 的运行方差，然后缩放当前奖励：

$$\tilde r_t= \operatorname{clip}\left( \frac{r_t}{\sqrt{\operatorname{Var}(z)+\varepsilon}}, -10,10 \right)$$

这里：

• $ z_t $ 是估计尺度的辅助统计量，不是未来回报，也不是 GAE target。
• 只除以标准差，不减去奖励均值。
• 外层裁剪限制统计不稳定或异常奖励造成的极端值。
• 归一化奖励用于训练，原始奖励仍用于记录 episode return。

14. GRPO：Group Relative Policy Optimization

对每个输入 $x$，采样 $K$条序列：

$$y_1,\dots,y_K\sim\pi_{\theta_{\text{old}}}(\cdot\mid x)$$

奖励：

$$r_i=r(x,y_i)$$

组内基线（核心）

$$\bar{r}(x)=\frac{1}{K}\sum_{i=1}^K r_i$$

定义组相对优势：

$$A_i = r_i - \bar{r}(x)$$

比率（整条序列级别）

$$ratio_i(\theta) = \frac{\pi_\theta(y_i\mid x)}{\pi_{\theta_{\text{old}}}(y_i\mid x)}$$

GRPO 目标（PPO + 组优势）

$$L_i^{\mathrm{clip}}(\theta)= \min\!\left( ratio_i(\theta)A_i,\; \mathrm{clip}(ratio_i(\theta),1-\epsilon,1+\epsilon)A_i \right)$$

组平均：

$$L^{\mathrm{GRPO}}(\theta) = \mathbb{E}_{x}\left[ \frac{1}{K}\sum_{i=1}^K L_i^{\mathrm{clip}}(\theta) \right]$$

加 KL-正则（常用于 LLM）

$$L^{\mathrm{GRPO}}_{\mathrm{full}}(\theta) = \mathbb{E}_{x}\left[ \frac{1}{K}\sum_{i=1}^K L_i^{\mathrm{clip}}(\theta) -\beta\,\mathrm{KL}\big(\pi_\theta(\cdot\mid x)\,\|\,\pi_{\mathrm{ref}}(\cdot\mid x)\big) \right]$$