在上一篇博客最后，我们说到了 $\theta$θ和 $\theta'$θ′是不能差太多的，不然结果会不好，那么怎么避免它们差太多呢?
这就是这一篇要介绍的PPO所在做的事情。

摘要：

PPO在原目标函数的基础上添加了KL divergence 部分，用来表示两个分布之前的差别，差别越大则该值越大。那么施加在目标函数上的惩罚也就越大，因此要尽量使得两个分布之间的差距小，才能保证较大的目标函数。

TRPO 与 PPO 之间的差别在于它使用了 KL divergence（KL散度） 作为约束，即没有放到式子里，而是当做了一个额外的约束式子，这就使得TRPO的计算非常困难，因此较少使用。

这里要注意这个 KL divergence并不是参数之间的距离，而是actions之间的距离。

一、PPO算法原理

1、算法步骤

大概可分为以下三步：
1、初始化policy的参数 $\theta^0$θ0
2、在每一次迭代中,使用 $\theta^k$θk来和环境互动，收集状态和行动并计算对应的advantage function
3、不断更新参数，找到目标函数最优值对应的参数 $\theta$θ

2、适应性的KL惩罚因子

在训练的过程中采用适应性的KL惩罚因子：
当KL过大时，增大beta值来加大惩罚力度
当KL过小时，减小beta值来降低惩罚力度

二、PPO2算法思想

PPO2不使用KL散度，而是利用一个clip函数来保证 $\theta$θ和 $\theta^k$θk的差异不大。

PPO2通过引入了Clip函数，使第二项，即蓝色的虚线必须在 1- $\epsilon$ϵ 和1+ $\epsilon$ϵ之间。

分析一下上面的图片：
红色的线表示取最小值之后整个函数值分布情况。
当A>0时，鼓励其多做这个动作，即增大 $P_\theta(a_t|s_t)$Pθ​(at​∣st​)，横轴向右移动，红色的线会慢慢上升，但是最大不能让其超过1+ $\epsilon$ϵ，这就保证了 $\theta$θ和 $\theta^k$θk不会相差太大。
当A<0时，惩罚其少做这个动作，即减小 $P_\theta(a_t|s_t)$Pθ​(at​∣st​)，横轴向左移动，红色的线会慢慢下降，但是最小不能让其小于1- $\epsilon$ϵ，这就保证了 $\theta$θ和 $\theta^k$θk不会相差太大。

参考： https://blog.csdn.net/cindy_1102/article/details/87905272 https://blog.csdn.net/ACL_lihan/article/details/103989581