公式介绍

在【CS285】中提到了高斯策略对数概率公式的公式如下：
$$\log {\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{s}}_t)=-\frac{1}{2}{\Vert f({\mathbf{s}}_t)-{\mathbf{a}}_t\Vert }_{\Sigma }^2+\text{const}$$

符号说明

PDF：Probability Density Function，概率密度函数

推导说明（from DeepSeek-R1-web）

1. 多元高斯分布的概率密度函数

设策略${\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{s}}_t)$服从均值为$\mu =f({\mathbf{s}}_t)$、协方差矩阵为$\Sigma$的多元高斯分布，其PDF为：
$${\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{s}}_t)=\frac{1}{\sqrt{(2\pi {)}^d|\Sigma |}}\exp \left(-\frac{1}{2}({\mathbf{a}}_t-f({\mathbf{s}}_t){)}^T{\Sigma }^{-1}({\mathbf{a}}_t-f({\mathbf{s}}_t))\right)$$
其中$d$是动作${\mathbf{a}}_t$的维度。

2. 对PDF取对数

对上述公式取自然对数，得到对数概率：
$$\log {\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{s}}_t)=-\frac{1}{2}({\mathbf{a}}_t-f({\mathbf{s}}_t){)}^T{\Sigma }^{-1}({\mathbf{a}}_t-f({\mathbf{s}}_t))-\frac{d}{2}\log (2\pi )-\frac{1}{2}\log |\Sigma |$$

3. 简化与假设

在强化学习中，通常假设：

1. 协方差矩阵 $\Sigma$ 是固定的（例如，设为对角矩阵或常数矩阵），或者与参数 $\theta$ 无关。
2. 常数项对梯度更新无影响：在对策略梯度进行优化时，与 $\theta$ 无关的项在求导后会消失，因此可以合并为常数。

基于上述假设，将对数概率中的常数项合并：
$$\text{const}=-\frac{d}{2}\log (2\pi )-\frac{1}{2}\log |\Sigma |$$

4. 引入马氏距离符号

定义马氏距离（Mahalanobis distance）为：
$${\Vert {\mathbf{a}}_t-f({\mathbf{s}}_t)\Vert }_{\Sigma }^2=({\mathbf{a}}_t-f({\mathbf{s}}_t){)}^T{\Sigma }^{-1}({\mathbf{a}}_t-f({\mathbf{s}}_t))$$

代入对数概率公式，得到：
$$\log {\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{s}}_t)=-\frac{1}{2}{\Vert f({\mathbf{s}}_t)-{\mathbf{a}}_t\Vert }_{\Sigma }^2+\text{const}$$

---

最终公式

课程中给出的公式正是上述结果，其中：

• $f({\mathbf{s}}_t)$ 是由参数 $\theta$ 确定的均值函数（例如神经网络）。
• $\Sigma$ 是固定的协方差矩阵，与 $\theta$ 无关。
• $\text{const}$ 包含所有与 $\theta$ 无关的常数项。

---

补充说明

1. 协方差矩阵的简化：如果 $\Sigma$ 是对角矩阵或各向同性（$\Sigma ={\sigma }^{2}I$），则计算马氏距离时只需对每个维度单独计算平方误差。
2. 策略梯度的应用：在计算策略梯度 ${\nabla }_{\theta }\log {\pi }_{\theta }$ 时，常数项 $\text{const}$ 的导数为零，因此可以安全忽略。

---

结论：通过假设协方差矩阵 $\Sigma$ 固定且与参数 $\theta$ 无关，课程中的公式从多元高斯分布的对数概率密度函数中合理推导得出。