强化学习基础

强化学习基础概念

MP

下一时刻只跟前一时刻的状态有关，跟前面的状态无关。

策略$\pi$

策略$\pi$可以是一个函数，图表等由状态$\to$动作的映射，在某个s状态时采取动作a的概率：
$$\pi (a|s)=p[A_t=a|S_t=s]\text{\hspace{1em}(1)}$$

Reward

$$G_t=R_{t+1}+\gamma R_{t+2}+\cdots =\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}\text{\hspace{1em}(2)}$$

State Value function

遵从策略$\pi$在状态s的状态值函数：
$$v_{\pi }(s)=E_{\pi }[\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}|S_t=s]\text{\hspace{1em}(3)}$$

State Value Bellman equation

$$\begin{array}{rl}v(s)& =E[G_t|S_t=s]\\ & =E[R_{t+1}+\gamma R_{t+2}+\cdots |S_t=s]\\ & =E[R_{t+1}+\gamma (R_{t+2}+\gamma R_{t+3}+\cdots )|S_t=s]\\ & =E[R_{t+1}+\gamma G_{t+1}|S_t=s]\\ & =E[R_{t+1}+\gamma v(S_{t+1})|S_t=s]\end{array}\text{\hspace{1em}(4)}$$

State-Action Value function

遵从策略$\pi$在状态s采取动作a的状态动作值函数:
$$q_{\pi }(s,a)=E_{\pi }[\sum _{k=0}^{\infty }{\gamma }^k{R}_{t+k+1}|S_t=s,A_t=a]\text{\hspace{1em}(5)}$$

State-Action Value Bellman equation

$$q_{\pi }(s,a)=E_{\pi }[R_{t+1}+\gamma q(S_{t+1},A_{t+1})|S_t=s,A_t=a]\text{\hspace{1em}(6)}$$

Look ahead

$$v_{\pi }(s)=\sum _{a\in A}\pi (a|s)q_{\pi }(s,a)\text{\hspace{1em}(7)}$$
$$q_{\pi }(s,a)=R_s^a+\gamma \sum _{s^{\prime }}{P}_{s{s}^{\prime }}^a{v}_{\pi }(s^{\prime })\text{\hspace{1em}(8)}$$
其中$P_{s{s}^{\prime }}^a$是状态转移概率
将8带入7式，可得：
$$v_{\pi }(s)=\sum _{a\in A}\pi (a|s)R_s^a+\gamma \sum _{s^{\prime }\in S}{P}_{s{s}^{\prime }}^a{v}_{\pi }(s^{\prime })\text{\hspace{1em}(9)}$$

$$v_{\pi }(s^{\prime })=\sum _{a^{\prime }\in A}\pi (a^{\prime }|s^{\prime })q_{\pi }(s^{\prime },a^{\prime })\text{\hspace{1em}(10)}$$

将10带入8，得到State-Ation Value
$$q_{\pi }(s,a)=R_s^a+\gamma \sum _{s^{\prime }\in S}{P}_{s{s}^{\prime }}^a\sum _{a^{\prime }\in A}\pi (a^{\prime }|s^{\prime })q_{\pi }(s^{\prime },a^{\prime })\text{\hspace{1em}(11)}$$

最优值函数

$v^{\star }(s)={\text{max}}_{\pi }v(s)$是所有$v(s)$中最大的,
$q^{\star }(s,a)={\text{max}}_{\pi }q(s,a)$

Greedy

$${\pi }^{\star }(a|s)=\{\begin{array}{ll}1,& \text{if a=arg maxa∈Aq⋆(s,a)}\\ 0,& \text{otherwise}\end{array}$$

$ϵ$-greedy

$$\pi (s|a)=\{\begin{array}{ll}1-ϵ+\frac{ϵ}{|A(s)|},& \text{if a=argmaxaQ(s,a)}\\ \frac{ϵ}{|A(s)|},& \text{if a=argmaxaQ(s,a)}\end{array}$$

softmax

详见RL:A Intro P37
$$\pi (a|s,\theta )=\frac{e^{H_t(a)}}{{\sum }_b{e}^{H_t(b)}}$$
其中$H_1(a)=1$, 其更新公式为：
$H_{t+1}(A_t)=H_t(A_t)+\alpha (R_t-{\bar{R}}_t)(1-{\pi }_t(A_t)),\alpha$是step-size参数，可取0.1, 0.2, 0.3, 0.4 …

强化学习算法

有模型

动态规划

无模型

基于值函数的方法

MC蒙特卡洛法

通过一次实验产生一个 τ = { S 1 , A 1 , R 1 , S 2 , A 2 , R 2 ⋯   , S T , R T } \tau=\{S_1,A_1,R_1,S_2,A_2,R_2\cdots,S_T,R_T\} τ={S1​,A1​,R1​,S2​,A2​,R2​⋯,ST​,RT​}

首次访问的MC

在一次试验中，首次访问时状态s的折扣回报为$G_t(s)=R_{t+1}+\gamma R_{t+2}+\cdots +{\gamma }^{T-t-1}{R}_T$，进行多次实验，再计算$G(s)$的期望:
$v(s)=\frac{G_{t1}(s)+G_{t2}(s)+\cdots +G_{tN}(s)}{N}$

每次访问的MC

在一次试验中，每次访问状态s的折扣回报为$G_t^i(s)=R_{t+1}+\gamma R_{t+2}+\cdots +{\gamma }^{T-t-1}{R}_T$，上标i表示第i次实验，第i次实验中有h个访问到状态s，回报分别为$G_{m_1}^i,G_{m_2}^i,G_{m_3}^i,\cdots ,G_{m_h}^i$。进行多次实验，再计算$G(s)$的期望:
$v(s)=\frac{G_{m_1}^1(s)+G_{m_2}^1(s)+\cdots +G_{m_h}^1(s)+G_{t_1}^2(s)+\cdots +G_{t_n}^2(s)+\cdots }{N(G)}$

On-policy

进行实验来采样的策略(behavior policy)和目标策略(target policy)是同一个

Off-policy & Importance Sampling

进行实验来采样的策略(behavior policy)和目标策略(target policy)不是是同一个。

重要性采样。这是一个通用性方法，给定一个分布用另一个分布去估计其期望。根据目标策略$\pi$和采样策略$b$它们的$\tau$(trajectoris)发生的相关性概率，给予相应权重，将Importance-sampling技术应用到Off-policy上。给定初始状态$S_t$,在策略$\pi$下的之后的状态－动作轨迹$\tau$的概率：
P { A t , S t + 1 , A t + 1 , ⋯   , S T ∣ S t , A t : T − 1 ∼ π } = π ( A t ∣ S t ) p ( S t + 1 ∣ S t , A t ) π ( A t + 1 ∣ S t + 1 ) ⋯ p ( S T ∣ S T − 1 , A T − 1 ) = ∏ k = t T − 1 π ( A k ∣ S k ) p ( S k + 1 ∣ S k , A k ) P\{A_t,S_{t+1},A_{t+1},\cdots,S_T|S_t,A_{t:T-1} \sim \pi \}\\ \begin{aligned} &= \pi(A_t|S_t)p(S_{t+1}|S_t,A_t)\pi(A_{t+1}|S_{t+1})\cdots p(S_T|S_{T-1},A_{T-1}) \\ &= \prod^{T-1}_{k=t} \pi(A_k|S_k)p(S_{k+1}|S_k,A_k) \\ \end{aligned} P{At​,St+1​,At+1​,⋯,ST​∣St​,At:T−1​∼π}​=π(At​∣St​)p(St+1​∣St​,At​)π(At+1​∣St+1​)⋯p(ST​∣ST−1​,AT−1​)=k=t∏T−1​π(Ak​∣Sk​)p(Sk+1​∣Sk​,Ak​)​
重要性率：
$${\rho }_{t:T-1}\dot{=}\frac{{\prod }_{k=t}^{T-1}\pi (A_k|S_k)p(S_{k+1}|S_k,A_k)}{{\prod }_{k=t}^{T-1}b(A_k|S_k)p(S_{k+1}|S_k,A_k)}=\prod _{k=t}^{T-1}\frac{\pi (A_k|S_k)}{b(A_k|S_k)}$$

普通重要性采样ordinary importance sampling

$$V(s)\dot{=}\frac{{\sum }_{t\in \mathcal{T}(s)}{\rho }_{t:T(t)-1}{G}_t}{|\mathcal{T}(s)|}$$

其中ｔ是访问状态ｓ的时刻，$T(t)$是访问状态ｓ相对应的实验终止状态对应的时刻，$\mathcal{T}(s)$是ｓ发生的所有时刻的集合。

加权重要性采样weighted importance sampling

$$V(s)\dot{=}\frac{{\sum }_{t\in \mathcal{T}(s)}{\rho }_{t:T(t)-1}{G}_t}{{\sum }_{t\in \mathcal{T}(s)}{\rho }_{t:T(t)-1}}$$

－　假设我么有一列回报收益$G_1,G_2,\dots ,G_{n-1}$，都从同一个状态起始，每个都对应随机权重$W_i$(e.g. $W_i={\rho }_{t_i:T(t_t)-1}$). 我们希望组建一个估计：
$$V_n\dot{=}\frac{{\sum }_{k=1}^{n-1}{W}_k{G}_k}{{\sum }_{k=1}^{n-1}{W}_k},n\ge 2$$
且当我们获得一个新回报$G_n$的时候保持其更新。要保持对$V_n$的更新轨迹，我们必须对每个状态维持给首次n个回报权重的不断累计的$C_n$之和。$V_n$更新规则是：
$$V_{n+1}\dot{=}{V}_n+\frac{W_n}{C_n}[G_n-V_n],n\ge 1$$

and
$$C_{n+1}\dot{=}{C}_n+W_{n+1}$$
其中$C_0\dot{=}0,V_1$是任意的因此不用特别声明其值。

pseudocode:

TD(Temporal-Difference)时间差分法

Sarsa: On-policy TD Control

Action-values update

$$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha [R_{t+1}+\gamma Q(S_{t+1},A_{t+1})-Q(S_t,A_t)]$$
如果$S_{t+1}$结束，则$Q(S_{t+1},A_{t+1})$为０．
其TD error为${\delta }_t=R_{t+1}+\gamma Q(S_{t+1},A_{t+1})-Q(S_t,A_t)$

pseudocode:

Q-learning: Off-policy TD Control

Action-Values update

$$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha [R_{t+1}+\gamma {\text{max}}_{a}Q(S_{t+1},a)-Q(S_t,A_t)]$$
这里，学习的动作值函数Ｑ直接用去近似最优动作函数$q^{\ast }$,而不依赖策略。

pseudocoe:

TD($\lambda$)

• 回忆在Monte Carlo更新$v_{\pi }(S_t)$的估计中，我们直接用全部的Return:
  $$G_t\dot{=}{R}_{t+1}+\gamma R_{t+2}+{\gamma }^2{R}_{t+3}+\cdots +{\gamma }^{T-t-1}{R}_T$$
  我们成这个量为更新的目标。

• 而在一步的更新中，其目标为：
  $$G_{t:t+1}\dot{=}{R}_{t+1}+\gamma V_t(S_{t+1})$$
  其中$V_t:\mathcal{S}\to \mathbb{R}$是$v_{\pi }$在时刻ｔ的估计。$G_{t:t+1}$下标表示它是从ｔ到ｔ＋１的截断Return，折扣估计$\gamma V_t(S_{t+1})$ 替代了$\gamma R_{t+2}+{\gamma }^2{R}_{t+3}+\cdots +{\gamma }^{T-t-1}{R}_T$.

• 在两步的更新中，其目标为：
  $$G_{t:t+2}\dot{=}{R}_{t+1}+\gamma R_{t+2}+{\gamma }^2{V}_{t+1}(S_{t+2})$$

• $\cdots$

• 类似的，在n步更新中，其目标为:
  $$G_{t:t+n}\dot{=}{R}_{t+1}+\gamma R_{t+2}+\cdots +{\gamma }^{n-1}{R}_{t+n}+{\gamma }^n{V}_{t+n-1}(S_{t+n})$$
  其中for all n,t such that $n>1$ and $0\le t\le T-n$.

那么自然地，状态值函数的n步更新算法为：
$$V_{t+n}(S_t)\dot{=}{V}_{t+n-1}(S_t)+\alpha [G_{t:t+n}-V_{t+n-1}(S_t)]$$
其中 $0\le t<T.$

pseudocode:

n-step Sarsa

Action-values update

从估计的动作值角度重新定义ｎ-step收益（更新目标）:
$$G_{t:t+n}\dot{=}{R}_{t+1}+\gamma R_{t+2}+\cdots +{\gamma }^{n-1}{R}_{t+n}+{\gamma }^n{Q}_{t+n-1}(S_{t+n},A_{t+n}),n\ge 1,0\le t<T-n$$
其中，如果 t+n>=T,则$G_{t:t+n}\dot{=}{G}_t$。算法为：
$$Q_{t+n}(S_t,A_t)\dot{=}{Q}_{t+n-1}(S_t,A_t)+\alpha [G_{t:t+n}-Q_{t+n-1}(S_t,A_t)],0\le t<T$$

pseudocode

n-step Off-policy Learning

在 n-stepTD方法中，returns是由 n 步构建的，所以我们只对那 n 步的相关概率感兴趣。如，对于 n-step　的 off-policy 版本，对与时刻 t (实际实在时刻 t+n )的更新能容易地通过${\rho }_{t:t+n-1}$赋予权重：
$$V_{t+n}(S_t)\dot{=}{V}_{t+n-1}(S_t)+\alpha {\rho }_{t:t+n-1}[G_{t:t+n}-V_{t+n-1}(S_t)],0\le t<T$$
其中${\rho }_{t:t+n-1}$重要采样率，是在两个策略采取从$A_{t}to{A}_{t+n-1}$这 n 个动作的相关概率：
$${\rho }_{t:h}\dot{=}\prod _{k=1}^{min(h,T-1)}\frac{\pi (A_k|S_k)}{b(A_k|S_k)}$$

Action-values update

类似于前面 n-step Sarsa 更新，加入一个重要采样率，一个简单 off-policy 的形式：
$$Q_{t+n}(S_t,A_t)\dot{=}{Q}_{t+n-1}(S_t,A_t)+\alpha {\rho }_{t+1:t+n}[G_{t:t+n}-Q_{t+n-1}(S_t,A_t)],0\le t<T$$

基于策略的方法

看https://blog.csdn.net/anny0001/article/details/103696709