本文分享自华为云社区《MindSpore强化学习：使用PPO配合环境HalfCheetah-v2进行训练》，作者：irrational。

半猎豹（Half Cheetah）是一个基于MuJoCo的强化学习环境，由P. Wawrzyński在“A Cat-Like Robot Real-Time Learning to Run”中提出。这个环境中的半猎豹是一个由9个链接和8个关节组成的2D机器人（包括两个爪子）。在这个环境中，目标是通过施加扭矩在关节上使猎豹尽可能快地向前（向右）奔跑，正向奖励基于前进的距离，而向后移动则会得到负向奖励。猎豹的躯干和头部是固定的，扭矩只能施加在前后大腿、小腿和脚上。

动作空间是一个 Box(-1, 1, (6,), float32) ，其中每个动作代表链接之间的扭矩。观察空间包含猎豹不同身体部位的位置值和速度值，其中所有位置值在前，所有速度值在后。默认情况下，观察不包括猎豹质心x坐标，可以通过在构建时传递 exclude_current_positions_from_observation=False 来包括它。如果包括，观察空间将有18个维度，其中第一个维度代表猎豹质心的x坐标。

奖励分为两部分：向前奖励和控制成本。向前奖励是根据动作前后x坐标的变化计算的，控制成本是为了惩罚猎豹采取过大动作的成本。总奖励是向前奖励减去控制成本。

每个状态的开始是在状态(0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,)上添加噪声以增加随机性。前8个值是位置值，最后9个值是速度值。位置值添加均匀噪声，而初始速度值（全为零）添加标准正态噪声。

当一个剧集的长度超过1000时，该剧集将被截断。

该环境的详细信息可以参考： https://www.gymlibrary.dev/environments/mujoco/half_cheetah/

这个比很多环境都要复杂。

不过没关系，我们有ppo算法，这个算法可以跑强化学习，甚至大语言模型。

PPO（Proximal PolICY Optimization）算法是一种用于强化学习的策略优化方法，它旨在解决传统策略梯度方法（如TRPO，Trust Region Policy Optimization）中的信任区域问题

PPO算法通过引入clipping技巧和重要性采样技巧来减少计算梯度时的方差，从而提高算法的收敛速度和稳定性。

在PPO算法中，有两个关键概念：

• 策略（Policy）：策略是一个函数，它定义了在给定状态s时采取动作a的概率分布。
• 价值函数（Value Function）：价值函数估计了在给定策略下，从状态s出发，到达某个特定状态或终端时所能获得的期望回报。

PPO算法的主要步骤包括：

• 采样（Sampling）：从当前策略中采样数据，包括状态、动作、奖励和下一个状态。
• 计算目标（Calculating Targets）：使用目标策略计算目标价值函数，并计算目标策略的KL散度。
• 更新策略（Updating Policy）：使用重要性采样技巧和clipping技巧更新策略。
• 更新价值函数（Updating Value Function）：使用策略梯度方法更新价值函数。

PPO算法的核心思想是交替更新策略和价值函数，以实现策略和价值的共同优化。这种方法可以有效减少计算梯度时的方差，提高算法的收敛速度和稳定性。

以下是PPO算法的一个简化的Markdown公式：

这个公式是一个简化的版本，实际上PPO算法还包括了许多其他细节和技巧，如经验回放、动态调整学习率等。

第一次编译mujoco会有一点久

在bashrc加入如下内容：

然后就可以开启训练了。使用上一节的with保留输入。

点击关注，第一时间了解华为云新鲜技术~