1 强化学习
1、强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一个从环境到动作的映射,学习的目标就是使累计回报最大化。
2、强化学习是一种试错学习,因其在各种状态(环境)下需要尽量尝试所有可以选择的动作,通过环境给出的反馈(即奖励)来判断动作的优劣,最终获得环境和最优动作的映射关系(即策略)。
2 马尔可夫决策过程(MDP)
马尔可夫决策过程(Markov Decision Process)通常用来描述一个强化学习问题,智能体agent根据当前环境的观察采取动作获得环境的反馈,并使环境发生改变的循环过程。
3 MDP基本元素
1、
s∈S
:有限状态state集合,s表示某个特定状态;
2、
a∈A
:有限动作action集合,a表示某个特定动作;
3、
T(S,a,S′) Pr(s′|s,a)
:状态转移模型,根据当前状态s和动作a预测下一个状态s,这里的
Pr
表示从s采取行动a转移到
s′
的概率;
4、
R(s,a)
:表示agent采取某个动作后的即时奖励,它还有
R(s,a,s′),R(s)
等表现形式;
5、Policy
π(s)→a
:根据当前state来产生action,可表现为
a=π(s)
或
π(a|s)=P(a|s)
,后者表示某种状态下执行某个动作的概率。
4 值函数
状态值函数V表示执行策略
π
能得到的累计折扣奖励:
即:
状态动作值函数
Q(s,a)
表示在状态s下执行动作a能得到的累计折扣奖励:
即:
5 最优值函数
6 最优控制
在得到最优值函数之后,可以通过值函数的值得到状态s时应该采取的动作a:
7 蒙特卡洛强化学习
1、在现实的强化学习任务中,环境的转移概率、奖励函数往往很难得知,甚至很难得知环境中有多少状态。若学习算法不再依赖于环境建模,则称为免模型学习,蒙特卡洛强化学习就是其中的一种。
2、蒙特卡洛强化学习使用多次采样,然后求取平均累计奖赏作为期望累计奖赏的近似。
3、蒙特卡洛强化学习:直接对状态动作值函数Q(s,a)进行估计,每采样一条轨迹,就根据轨迹中的所有“状态-动作”利用下面的公式对来对值函数进行更新。
4、每次采样更新完所有的“状态-动作”对所对应的Q(s,a),就需要更新采样策略 π 。但由于策略可能是确定性的,即一个状态对应一个动作,多次采样可能获得相同的采样轨迹,因此需要借助 ϵ 贪心策略:
5、蒙特卡洛强化学习算法需要采样一个完整的轨迹来更新值函数,效率较低,此外该算法没有充分利用强化学习任务的序贯决策结构。
8 Q-learning算法
1、Q-learning算法结合了动态规划与蒙特卡洛方法的思想,使得学习更加高效。
2、假设对于状态动作对(s,a)基于t次采样估算出其值函数为:
在进行t+1次采样后,依据增量更新得到:
然后,将 1t+1 替换成系数 α (步长),得到:
3、以 γ 折扣累计奖赏为例:
则值函数的更新方式如下:
9 Q-learning算法流程
输入:环境
E
;动作空间
过程:
1:
Q(s,a)=0,π(s,a)=1|A|
;
2:
s=s0
;
3:
fort=1,2,...do
4:
r,s′=
在E中执行动作
πϵ(s)
产生的奖赏和转移的状态;
5:
a=π(s′)
;
6:
Q(s,a)=Q(s,a)+α(r+γQ(s′,a′)−Q(s,a))
;
7:
π(s)=argmaxa"Q(s,a")
;
8:
s=s′,a=a′
;
9:
end
for
输出:策略
π
10 Deep Q Network(DQN)
1、Deep Q Network(DQN):是将神经网络(neural network) 和Qlearning结合,利用神经网络近似模拟函数Q(s,a),输入是问题的状态(e.g.,图形),输出是每个动作a对应的Q值,然后依据Q值大小选择对应状态执行的动作,以完成控制。
2、神经网络的参数:应用监督学习完成
11 DQN学习过程
1.状态
s
输入,获得所有动作对应的
2.选择对应
Q
值最大的动作
3.执行后环境发生改变,并能够获得环境的奖励
γ
;
4.利用奖励
γ
更新
Q(s,a')
–强化学习利用新的
Q(s,a')
更新网络参数—监督学习
12 DQN算法流程
Algorithm 1 Deep Q-learning with Experience Replay
Initialilze replay memory D to capacity N
Initialize action-value function Q with random weights
for episode = 1,M do
Initialise sequence
s1
={
x1
} and preporcessed sequeced
ϕ1=ϕ(s1)
for t=1,T do
With probability
ϵ
select a random action
at
otherwise select
at=maxaQ∗(ϕ(st),a;θ)
Execute action
at
in emulator and observe reward
rt
and image
xt+1
Set
st+1=st,at,xt+1
and preprocess
ϕt+1=ϕ(st+1)
Store transition (
ϕt,at,rt,ϕt+1
) in D
Sample random minibatch of transitions (
ϕj,aj,rj,ϕj+1
) from D
Set
yj={rjrj+γmaxa′Q(ϕj+1,a′;θ)for terminal ϕj+1for non-terminal ϕj+1
Perform a gradient descent step on
(yi−Q(ϕj,aj;θ))2
according to equation 3
end for
end for
部分流程解释:
1、Initialilze replay memory D to capacity N:初始化D:用于存放采集(
St,at,rt,St+1
)的状态转移过程,用于网络参数的训练
2、Initialize action-value function Q with random weights:随机初始化神经网络的参数
3、Initialise sequence
s1
={
x1
} and preporcessed sequeced
ϕ1=ϕ(s1)
:获取环境的初始状态(x是采集的图像,使用图像作为agent的状态;预处理过程是说,使用4张图像代表当前状态,这里可以先忽略掉)
4、otherwise select
at=maxaQ∗(ϕ(st),a;θ)
:
epsilon
贪心策略:使用
epsilon
概率随机选取动作或1-
epsilon
的概率根据神经网络的输出选择动作
5、Execute action
at
in emulator and observe reward
rt
and image
xt+1
:在模拟器中执行选定的动作,获得奖励
γt
和一个观察
xt+1
6、Store transition (
ϕt,at,rt,ϕt+1
) in D:设置
St+1
,并将状态(
St,at,rt,St+1
)转移过程存放在D中
7、Sample random minibatch of transitions (
ϕj,aj,rj,ϕj+1
) from D:从D中进行随机采样,获得一部分状态转移过程历史信息
8、Set
yj={rjrj+γmaxa′Q(ϕj+1,a′;θ)for terminal ϕj+1for non-terminal ϕj+1
:使用Q-learning方法更新状态值函数的值(终止与非终止状态的更新不同)
9、Perform a gradient descent step on
(yi−Q(ϕj,aj;θ))2
according to equation 3:使用监督学习方法更新网络的参数