跳到主要内容
极客日志极客日志面向AI+效率的开发者社区
首页博客我的书AI学习GitHub 精选镜像AI工具UI配色美学关于
搜索内容 / 工具 / 仓库 / 镜像...⌘K搜索
注册
博客列表
PythonAI算法

Soft Actor-Critic (SAC) 算法详解与 PyTorch 实现

Soft Actor-Critic (SAC) 算法是一种针对连续动作空间的先进强化学习方法,通过引入最大熵优化目标解决探索与利用的平衡问题。该算法采用 Actor-Critic 架构,结合双 Q 网络减少过估计偏差,并利用目标网络提升训练稳定性。详细阐述了 SAC 的核心思想、数学推导及算法流程,提供了基于 PyTorch 的完整代码实现,涵盖策略网络、价值网络、经验回放缓冲区及训练循环。相比传统方法,SAC 具有更高的样本效率和更强的鲁棒性,适用于机器人控制等复杂任务。

落日余晖发布于 2026/3/27更新于 2026/10/2790 浏览
Soft Actor-Critic (SAC) 算法详解与 PyTorch 实现

Soft Actor-Critic (SAC) 算法详解

Soft Actor-Critic (SAC) 是一种目前最先进的强化学习算法,属于 Actor-Critic 方法的变体。它特别适合处理 连续动作空间,并通过引入最大熵(Maximum Entropy)强化学习的思想,有效解决了传统算法在稳定性和探索性上的痛点。

SAC 背景与核心思想

1. 强化学习的挑战

在传统强化学习中,我们常面临几个核心难题:

  • 探索与利用的平衡:初期需要广泛探索新策略,后期需利用已知最优策略,两者难以兼顾。
  • 不稳定性:连续动作空间中训练容易出现发散或收敛缓慢。
  • 样本效率:数据采集成本高,如何高效利用经验池中的数据至关重要。

SAC 通过以下核心机制应对这些问题:

  1. 最大熵强化学习:在最大化累计奖励的同时,最大化策略的随机性(熵),鼓励探索。
  2. 双 Q 网络:缓解 Q 值过估计问题。
  3. 目标网络:使用目标网络稳定 Q 值计算。

2. 最大熵强化学习的目标

传统强化学习的目标是最大化期望累计奖励: $$J(\pi) = \mathbb{E}{\pi} \left[ \sum{t=0}^T \gamma^t r(s_t, a_t) \right]$$

而 SAC 则通过添加一个 熵项,在奖励中加入策略随机性的权重,目标变为: $$J(\pi) = \mathbb{E}{\pi} \left[ \sum{t=0}^T \gamma^t \left( r(s_t, a_t) + \alpha \mathcal{H}(\pi(\cdot|s_t)) \right) \right]$$

其中:

  • $\alpha$:熵系数,控制熵和奖励之间的平衡。
  • $\mathcal{H}(\pi(\cdot|s_t)) = -\mathbb{E}_{a \sim \pi} [\log \pi(a|s_t)]$:表示策略的熵,鼓励策略更随机化。

效果:更好的探索能力使策略更加多样化,同时避免陷入次优策略,提升学习稳定性。

SAC 算法流程

SAC 使用了 Actor-Critic 框架,结合策略梯度和 Q 函数更新。以下是算法的关键步骤:

初始化

  • 创建目标值函数网络 $V_{\psi'}$,并设置其参数为 $V_{\psi}$ 的初始值。
  • 初始化策略网络 $\pi_\phi$ 和值函数网络 $V_\psi$。
  • 初始化两组 Q 网络 $Q_{\theta_1}, Q_{\theta_2}$,用于计算 Q 值。

每一回合循环

  1. 采样动作:根据策略网络 $\pi_\phi$ 采样动作 $a \sim \pi(a|s)$。
  2. 执行动作:执行动作,记录 $(s, a, r, s', \text{done})$ 到经验池中。
  3. 更新 Q 网络:最小化 TD 误差损失。
  4. 更新值函数网络:逼近软价值目标。
  5. 更新策略网络:最大化奖励和熵。
  6. 更新目标值函数网络:使用软更新规则 $\psi' \gets \tau \psi + (1 - \tau) \psi'$。

公式推导

1. Q 值更新

Q 值通过 Bellman 方程更新,目标是最小化 TD 误差: $$y = r + \gamma (1 - \text{done}) \cdot V_{\psi'}(s')$$ 损失函数为: $$J_Q = \mathbb{E}{\theta_i}(s, a) - y \right)^2 \right]$$

{(s, a, r, s') \sim D} \left[ \left( Q

2. 值函数更新

值函数估计策略的长期价值,目标值为: $$y_V = \mathbb{E}{a \sim \pi} \left[ \min{i=1,2} Q_{\theta_i}(s, a) - \alpha \log \pi_\phi(a|s) \right]$$ 损失函数为: $$J_V = \mathbb{E}{s \sim D} \left[ \left( V\psi(s) - y_V \right)^2 \right]$$

3. 策略网络更新

策略网络的目标是最大化奖励和熵,等价于最小化: $$J_\pi = \mathbb{E}{s \sim D, a \sim \pi} \left[ \alpha \log \pi\phi(a|s) - \min_{i=1,2} Q_{\theta_i}(s, a) \right]$$

4. 目标值函数更新

目标值函数使用软更新规则: $$\psi' \gets \tau \psi + (1 - \tau) \psi'$$ 其中 $\tau \in (0, 1]$ 控制更新步长。

Python 实现

下面是基于 PyTorch 的 Soft Actor-Critic (SAC) 算法完整实现。代码结构清晰,分为参数配置、网络定义、回放缓冲区和主训练循环。

1. 参数配置

"""《SAC, Soft Actor-Critic 算法》时间:2024.12"""
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import gym
import random
from collections import deque

# 超参数设置
GAMMA = 0.99          # 折扣因子
TAU = 0.005           # 软更新目标网络的参数
ALPHA = 0.2           # 熵正则化系数,鼓励探索
LR = 0.001            # 学习率
BATCH_SIZE = 256      # 每次训练的样本数量
MEMORY_CAPACITY = 100000  # 经验回放缓冲区的最大容量

2. 策略网络

策略网络负责生成随机的策略动作。这里使用了重参数化技巧(Reparameterization Trick)来支持梯度回传。

class PolicyNetwork(nn.Module):
    def __init__(self, state_dim, action_dim, max_action):
        super(PolicyNetwork, self).__init__()
        self.fc1 = nn.Linear(state_dim, 256)
        self.fc2 = nn.Linear(256, 256)
        self.mean = nn.Linear(256, action_dim)
        self.log_std = nn.Linear(256, action_dim)
        self.max_action = max_action

    def forward(self, state):
        x = torch.relu(self.fc1(state))
        x = torch.relu(self.fc2(x))
        mean = self.mean(x)
        log_std = self.log_std(x).clamp(-20, 2)
        std = torch.exp(log_std)
        return mean, std

    def sample(self, state):
        mean, std = self.forward(state)
        normal = torch.distributions.Normal(mean, std)
        x_t = normal.rsample()  # 重参数化采样
        y_t = torch.tanh(x_t)   # Tanh 限制动作范围
        action = y_t * self.max_action
        
        # 计算对数概率,包含 Tanh 修正项
        log_prob = normal.log_prob(x_t)
        log_prob -= torch.log(1 - y_t.pow(2) + 1e-6)
        log_prob = log_prob.sum(dim=-1, keepdim=True)
        return action, log_prob

3. Q 网络

价值网络用于评估状态 - 动作对的价值。SAC 通常使用两个独立的 Q 网络以减少过估计偏差。

class QNetwork(nn.Module):
    def __init__(self, state_dim, action_dim):
        super(QNetwork, self).__init__()
        self.fc1 = nn.Linear(state_dim + action_dim, 256)
        self.fc2 = nn.Linear(256, 256)
        self.fc3 = nn.Linear(256, 1)

    def forward(self, state, action):
        x = torch.cat([state, action], dim=-1)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

4. 经验回放缓冲区

存储过往经验,打破数据相关性,提升训练稳定性。

class ReplayBuffer:
    def __init__(self, capacity):
        self.buffer = deque(maxlen=capacity)

    def push(self, state, action, reward, next_state, done):
        self.buffer.append((state, action, reward, next_state, done))

    def sample(self, batch_size):
        batch = random.sample(self.buffer, batch_size)
        states, actions, rewards, next_states, dones = zip(*batch)
        return (np.array(states), np.array(actions), np.array(rewards), 
                np.array(next_states), np.array(dones))

    def __len__(self):
        return len(self.buffer)

5. SAC 智能体类

整合了上述组件,负责训练逻辑。

class SACAgent:
    def __init__(self, state_dim, action_dim, max_action):
        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        self.actor = PolicyNetwork(state_dim, action_dim, max_action).to(self.device)
        self.q1 = QNetwork(state_dim, action_dim).to(self.device)
        self.q2 = QNetwork(state_dim, action_dim).to(self.device)
        
        self.actor_optimizer = optim.Adam(self.actor.parameters(), lr=LR)
        self.q1_optimizer = optim.Adam(self.q1.parameters(), lr=LR)
        self.q2_optimizer = optim.Adam(self.q2.parameters(), lr=LR)
        
        self.replay_buffer = ReplayBuffer(MEMORY_CAPACITY)
        self.max_action = max_action

    def select_action(self, state):
        state = torch.FloatTensor(state).to(self.device).unsqueeze(0)
        action, _ = self.actor.sample(state)
        return action.cpu().detach().numpy()[0]

    def train(self):
        if len(self.replay_buffer) < BATCH_SIZE:
            return
        
        states, actions, rewards, next_states, dones = self.replay_buffer.sample(BATCH_SIZE)
        states = torch.FloatTensor(states).to(self.device)
        actions = torch.FloatTensor(actions).to(self.device)
        rewards = torch.FloatTensor(rewards).unsqueeze(1).to(self.device)
        next_states = torch.FloatTensor(next_states).to(self.device)
        dones = torch.FloatTensor(dones).unsqueeze(1).to(self.device)

        # 更新 Q 网络
        with torch.no_grad():
            next_actions, log_probs = self.actor.sample(next_states)
            target_q1 = self.q1(next_states, next_actions)
            target_q2 = self.q2(next_states, next_actions)
            target_q = torch.min(target_q1, target_q2) - ALPHA * log_probs
            q_target = rewards + GAMMA * (1 - dones) * target_q

        q1_loss = ((self.q1(states, actions) - q_target) ** 2).mean()
        q2_loss = ((self.q2(states, actions) - q_target) ** 2).mean()

        self.q1_optimizer.zero_grad()
        q1_loss.backward()
        self.q1_optimizer.step()

        self.q2_optimizer.zero_grad()
        q2_loss.backward()
        self.q2_optimizer.step()

        # 更新策略网络
        new_actions, log_probs = self.actor.sample(states)
        q1_new = self.q1(states, new_actions)
        q2_new = self.q2(states, new_actions)
        q_new = torch.min(q1_new, q2_new)
        actor_loss = (ALPHA * log_probs - q_new).mean()

        self.actor_optimizer.zero_grad()
        actor_loss.backward()
        self.actor_optimizer.step()

    def update_replay_buffer(self, state, action, reward, next_state, done):
        self.replay_buffer.push(state, action, reward, next_state, done)

6. 主训练循环

env = gym.make("Pendulum-v1")
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.shape[0]
max_action = float(env.action_space.high[0])

agent = SACAgent(state_dim, action_dim, max_action)
num_episodes = 500

for episode in range(num_episodes):
    state = env.reset()
    episode_reward = 0
    done = False
    while not done:
        action = agent.select_action(state)
        next_state, reward, done, _ = env.step(action)
        agent.update_replay_buffer(state, action, reward, next_state, done)
        agent.train()
        state = next_state
        episode_reward += reward
    print(f"Episode {episode}, Reward: {episode_reward}")

环境配置与注意事项

运行上述代码建议的环境版本如下:

  • Python 3.11.5
  • torch 2.1.0
  • torchvision 0.16.0
  • gym 0.26.2

注意:算法在实际项目中应用时,通常需要针对具体任务进行调参和优化。上述代码主要用于理解和学习算法原理,直接应用于复杂场景前请检查环境适配性和超参数设置。

SAC 优势总结

  1. 样本效率高:利用离线经验池,充分挖掘历史数据价值。
  2. 探索能力强:通过最大化熵,鼓励智能体尝试更多样化的行为。
  3. 稳定性好:结合双 Q 网络和目标网络,显著降低训练波动。
  4. 适用性强:专为连续动作空间设计,适用于机器人控制等复杂任务。

参考文献:

  • Haarnoja, Tuomas, et al. "Soft actor-critic: Off-policy maximum entropy deep reinforcement learning with a stochastic actor." arXiv preprint arXiv:1801.01290 (2018).
  • Haarnoja, Tuomas, et al. "Soft actor-critic algorithms and applications." arXiv preprint arXiv:1812.05905 (2018).

目录

  1. Soft Actor-Critic (SAC) 算法详解
  2. SAC 背景与核心思想
  3. 1. 强化学习的挑战
  4. 2. 最大熵强化学习的目标
  5. SAC 算法流程
  6. 初始化
  7. 每一回合循环
  8. 公式推导
  9. 1. Q 值更新
  10. 2. 值函数更新
  11. 3. 策略网络更新
  12. 4. 目标值函数更新
  13. Python 实现
  14. 1. 参数配置
  15. 超参数设置
  16. 2. 策略网络
  17. 3. Q 网络
  18. 4. 经验回放缓冲区
  19. 5. SAC 智能体类
  20. 6. 主训练循环
  21. 环境配置与注意事项
  22. SAC 优势总结

更多推荐文章

查看全部
  • 专科生自学 Python 转行爬虫开发实战经历与面试复盘
  • Claude Code Mac 版安装与配置指南
  • OpenClaw 新手指南:从零开始的 AI 机器人搭建完全攻略
  • 前端虚拟列表深度拆解
  • GitHub 双因素认证(2FA)配置指南
  • Python SQLAlchemy ORM 核心实战指南
  • C++ 哈希表原理与 STL 底层实现解析
  • Stable Diffusion v1.5 环境搭建与使用技巧
  • Apollo EM Planner 算法深度剖析:从路径规划到公式推导
  • Python 学习路线图及核心知识点整理
  • OpenClaw 生态主流厂商产品深度横评与选型指南
  • 基于 Spring Boot 的在线图书借阅平台设计与实现
  • Go 语言快速入门与核心要点总结
  • WebODM 开源无人机地图制作完全指南
  • Linux 进程间通信:匿名管道详解
  • F5 刷新背后:浏览器缓存策略与渲染流程深度解析
  • Web 虚拟卡销售平台架构设计与核心实现
  • 位运算实战:判断字符唯一性与查找缺失数字
  • MATLAB A*路径规划算法仿真与改进实现
  • 大模型应用开发主流架构:通用大模型与垂直小模型协同

相关免费在线工具

  • 加密/解密文本

    使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online

  • RSA密钥对生成器

    生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online

  • Mermaid 预览与可视化编辑

    基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online

  • 随机西班牙地址生成器

    随机生成西班牙地址(支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选),支持数量快捷选择、显示全部与下载。 在线工具,随机西班牙地址生成器在线工具,online

  • Gemini 图片去水印

    基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印,支持批量处理与下载。 在线工具,Gemini 图片去水印在线工具,online

  • curl 转代码

    解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online