强化学习（RL）算法持续“进化”中……
来自Google Research的研究人员，证明可以使用图表示 （graph representation）和AutoML的优化技术，来学习新的、可解析和可推广的RL算法！
他们发现的其中两种算法可以推广到更复杂的环境中，比如具有视觉观察的Atari游戏。
这一成就使得RL算法越来越优秀！
具体怎么个“优秀法”，请看下文：
损失函数表示为计算图
首先，对于强化学习算法研究的难点，研究人员认为，一种可能的解决方案是设计一种元学习方法。
该方法可以设计新的RL算法，从而自动将其推广到各种各样的任务中。
受神经架构搜索（NAS）在表示神经网络结构的图空间中搜索的思想启发，研究人员通过将RL算法的损失函数表示为计算图（computational graph）来元学习RL算法。
其中使用有向无环图来表示损失函数，该图带有分别表示输入、运算符、参数和输出的节点。
该表示方法好处有很多，总的来说就是可用来学习新的、可解析和可推广的RL算法。
并使用PyGlove库实现这种表示形式。
基于进化的元学习方法
接下来，研究人员使用基于进化的元学习方法来优化他们感兴趣的RL算法。
其过程大致如下：
新提出的算法必须首先在障碍环境中表现良好，然后才能在一组更难的环境中进行训练。算法性能被评估并用于更新群体（population），其中性能更好的算法进一步突变为新算法。在训练结束时，对性能最佳的算法在测试环境中进行评估。
本次实验中的群体（population）规模约为300个智能体，研究人员观察到在2-5万个突变后,发现候选损失函数的进化需要大约3天的训练。
为了进一步控制训练成本，他们在初始群体中植入了人类设计的RL算法，eg. DQN（深度Q学习算法）。
发现两种表现出良好泛化性能的算法
最终，他们发现了两种表现出良好泛化性能的算法：
一种是DQNReg，它建立在DQN的基础上，在Q值上增加一个加权惩罚（weighted penalty），使其成为标准的平方Bellman误差。
第二种是DQNClipped，尽管它的支配项（dominating term）有一个简单的形式——Q值的最大值和平方Bellman误差（常数模），但更为复杂。
这两种算法都可以看作是正则化Q值的一种方法，都以不同的方式解决了高估Q值这一问题。
最终DQNReg低估Q值，而DQNClipped会缓慢地接近基本事实，更不会高估。
性能评估方面，通过一组经典的控制环境，这两种算法都可以在密集奖励任务（CartPole、Acrobot、LunarLander）中持平基线，在稀疏奖励任务（MountainCar）中，性能优于DQN。
其中，在一组测试各种不同任务的稀疏奖励MiniGrid环境中，研究人员发现DQNReg在训练和测试环境中的样本效率和最终性能都大大优于基线水平。
另外，在一些MiniGrid环境将DDQN（Double DQN）与DQNReg的性能进行可视化比较发现，当DDQN还在挣扎学习一切有意义的行为时，DQNReg已经可以有效地学习最优行为了。
最后，即使本次研究的训练是在基于非图像的环境中进行的，但在基于图像的Atari游戏环境中也观察到DQNReg算法性能的提高！
这表明，在一组廉价但多样化的训练环境中进行元训练，并具有可推广的算法表示，可以实现根本的算法推广。
此研究成果写成的论文，已被ICLR 2021接收，研究人员门未来将扩展更多不同的RL设置，如Actor-Critic算法或离线RL。
