百度飛槳強化學習框架PARL曾兩次奪得NeurIPS強化學習賽事世界冠軍。近期PARL升級1.3版本，通過發布深度進化學習庫EvoKit，多智能體強化學習（Multi-Agent RL）算法，助力強化學習進一步落地工業應用場景。

深度進化學習庫EvoKit

PARL 1.3 重點發布了首個工業級進化學習框架EvoKit，支持大規模神經網絡在真實業務場景中調研和部署進化學習算法，針對性解決進化學習算法部署到業務場景所遇到的難題。

什么是進化學習算法？

進化學習（Evolution Strategy）借鑒自然界種群進化過程，通過演化的方式找到全局最優。進化學習由來已久，近年來被不少學者用于解決強化學習（Reinforcement Learning），AutoML（Auto Machine Learning）等場景的問題。相對于梯度優化而言，進化學習直接通過參數空間的擾動來觀察最終目標（如下圖所示），并且和強化學習一樣，進化學習不要求優化目標和參數之間可導，因此適用范圍非常廣泛，易于并行化。基于EvoKit，可以利用數百臺CPU優化百萬量級參數的模型。

進化學習能用到哪些地方？

1. 優化目標和模型之間不可導的場景。例如，模型超參數的搜索，一些推薦類產品留存，總時長等不能建模，或者直接建模成本較高的場景。
2. 模型和業務規則邏輯或和其他流程耦合的場景。例如，某業務線的流程包括上下游總共十幾個模塊串行處理，希望優化中間某個模塊的模型參數，但是下游處理模塊的邏輯對于當前優化是黑箱。通過進化算法可以避免黑箱對于優化的不確定性，直接提升最終評價指標。
3. 元學習。很多模型不是直接使用，而是需要在多個場景上進一步fine-tune。進化學習算法可以利用最終fine-tune結果來優化元學習模型，破解求導鏈條過長等問題。

EvoKit有哪些特點？

1. EvoKit提供一整套可供線下調研及線上部署的進化學習工具。線下借助飛槳開源框架 API實現快速調研，線上基于Paddle Lite等工具，支持以較小的成本完成調研到上線的流程。同時，EvoKit提供包含異步更新機制，參數壓縮和還原等線上業務普遍需求的功能。

2. EvoKit使用上非常便利。用戶可以利用飛槳開源框架 API搭建任意結構的復雜網絡。進化學習算法包含兩個關鍵步驟，采樣（或者擾動）和更新。網絡參數不斷通過擾動收集反饋，并基于相關反饋迭代進化網絡（如上圖所示）。 EvoKit定義了主接口分別用于網絡的擾動（AddNoise）和更新迭代(Update)。用戶只需通過簡單幾行代碼就能實現完整的進化流程，下圖展示了一個偽代碼的樣例。EvoKit內置了包括ES, GA, CMA-ES等常用進化策略，也提供了很好的便于二次開發的可擴展接口，可以方便實現新的算法。

多智能體強化學習

PARL 1.3還實現了全新的多智能體強化學習算法（Multi-Agent RL，MARL）的框架支持。MARL是RL挑戰群體決策問題的“殺手锏”，可以被廣泛運用在包括地圖派單，游戲AI， 任務分配等等問題中，但是算法的復現難度比起傳統算法更大。很多RL框架很難利用一套框架兼容多種單智能體RL算法和MARL算法的開發。PARL在這一點上有新的突破。在單智能體算法中，PARL抽象出了Model、Algorithm、Agent三個模塊，分別定義了前向網絡（forward）、算法損失函數（backward）、數據交互等邏輯（見下圖）。這種以智能體為核心的設計方式，在擴展到多智能體算法的時候，只需創建多個Agent實例，就可以讓多個智能體交互起來，共同更新MARL算法。

以主流的MADDPG算法的評估為例，可以看到PARL在MARL的擴展性：

當通過Model、Algorithm搭建好多個Agent之后，這些Agent可以很方便地和環境進行交互，存儲各自的數據，然后訓練模型。PARL1.3此次開源的MADDPG算法在OpenAI的8個MARL場景都進行了驗證，效果能完全復現最優的表現。

此外，PARL 1.3版本還針對使用文檔、應用樣例進行了全面梳理，并開源了NuerIPS 2019強化學習賽事的冠軍解決方法。

基于這些全新的功能，希望PARL和EvoKit能給相關領域的同學帶來新的便利，助力強化學習和進化學習算法在工業場景的進一步應用落地。

PARL和EvoKit完全開源，歡迎大家使用，反饋和貢獻。

PARL鏈接：https://github.com/PaddlePaddle/PARL

如在使用過程中有技術問題，歡迎加入飛槳官方QQ群進行提問：703252161