强化学习导论笔记——第二章 多臂老虎机问题

第二章 老虎机问题

多臂老虎机问题

单臂老虎机在拉下游戏臂后，有一定的概率获得奖励。而多臂老虎机需要选择到底拉哪个游戏臂，每个臂的中奖概率是不一样的。

多臂老虎机正好适合用来讨论探索与利用的平衡问题。如果每次都采取贪婪算法，选择奖励概率的游戏臂，则完全是在利用行为的价值；如果选择的是非已知最佳的游戏臂，那就是在探索。一般来讲，利用可以使得单次回报最大，而探索则从长期来看可能产生更好的长期回报。

本章会介绍一些平衡利用与探索的简单方法

动作价值方法

在这里，将采取动作$a$的真实价值定义为$q_{\ast }(a)$，时刻 $t$ 的价值估计定义为 $Q_t(a)$ ，而某动作的价值，是由采取该动作的回报平均值来计算的。比如在时刻 $t$ ，动作 $a$ 已经执行了 $K_a$ 次，产生的回报序列为 $R_1,R_2,...,R_{K_a}$，则价值的估计值为

$$Q_t(a)=\frac{R_1+R_2+...+R_{K_a}}{K_a}$$

如果该动作尚未产生，可以用某个默认值来取代，比如 $0$。 当 $K_a$ 趋于无穷时，$Q_t(a)$ 收敛至真实值 $q_{\ast }(a)$ 。

最简单的动作准则就是选择价值最大的动作 $A_t^{\ast }$，即 $Q_t(A_t^{\ast })=ma{x}_a{Q}_t(a)$。在此基础上做一个微小的改进，以一个极小的概率 $\epsilon$ 来执行探索动作，这种方法称为 $\epsilon$-贪婪 方法。这样，当 $K_a$ 趋于无穷时， $Q_t(a)$ 将收敛于 $q_{\ast }(a)$。

下图是10臂老虎机在不同的 $\epsilon$ 下的价值估计值迭代曲线，其回报概率为正态分布。

可以看到，适当地采取探索策略，长远来看有更好的回报，尽管在开始，纯贪婪策略的值略高。

在这种静态环境当中，纯贪婪策略也许能取得不错的回报，但如果环境是动态的，价值随时间变化，那效果就大打折扣了，而环境通常并非静态。

softmax动作选择

$\epsilon$-贪婪 方法尽管有效也应用广泛，但过于单一，加报更高的动作应当给予更高的概率加以选择，softmax方法正是基于这种思想，动作 $a$选中的概率与其估计价值成正相关关系：

$$\frac{e^{Q_t(a)/\tau }}{{\sum }_{i=1}^n{e}^{Q_t(i)/\tau }}$$

这里的 $\tau$ 是一个正数，代表 热力值，这个值越大，产生的概率越趋于平均化，如果该值趋近于零，则策略退化为贪婪策略。

softmax方法尽管更为精确，但 $\tau$ 的值难于确定，需要一定睥领域知识和经验，所以实践中也经常采用 $\epsilon$-贪婪 方法。

增量实现方法

实际计算中，不可能把每一步的回报都存储下来，而增量计算只需要保留上一次的价值估计，步骤数 $k$ ，再将当次的回报 $R$ 加入其中即可。

$$\begin{gathered} Q_{k+1}=\frac{1}{k}\sum _{i=1}^k{R}_i \\ =Q_k+\frac{1}{k}[R_k-Q_k] \end{gathered}$$

该公式，与后续的回报折扣可以联系起来。增量更新实现的计算过程可以抽象如下：

$$NewEstimate\leftarrow OldEstimate+StepSize[Target-OldEstimate]$$

非静态问题

令 $\alpha$ 来代替 $\frac{1}{k}k$，则有

$$Q_{k+1}=Q_k+\alpha [R_k-Q_k]$$

对于动态问题，太久远的回报显得不是那么重要，因此 $\alpha$ 的取值显得更为灵活，$Q$ 值的计算可以重写为：

$$Q_{k+1}=(1-\alpha {)}^k{Q}_1+\sum _{i=1}^k\alpha (1-\alpha {)}^{k-i}{R}_i$$

左侧是初始值及其衰减，右侧是各次回报随时间的递减值，两个权重的加和为1。

用${\alpha }_k(a)$来表示在第$k$步，采取动作$a$的回报系数，当${\alpha }_k(a)$取$\frac{1}{k}$时，上式等价于平均回报。事实上，${\alpha }_k(a)$只要满足下列条件，就可以保证$Q$值的收敛性：

$$\sum _{k=1}^{\infty }{\alpha }_k(a)=\infty \wedge \sum _{k=1}^{\infty }{\alpha }_k^2(a)<\infty$$

很显然 ${\alpha }_k(a)=\frac{1}{k}$满足条件，但常数不行。

乐观初始价值

之前的方法一般都假设初始价值为0，事实上，价值的初始值，事实上，利用初始值带来的偏差，可以较好的融入先验知识，起到鼓励探索的作用。比如，在10臂老虎机问题当中，将初始价值设定为5，基于贪婪的策略会倾向于把未探索过的状态都走一遍。如下图所示：

由于在一开始就进行了积极的探索，效果比 $\epsilon$-贪婪 方法可能更好，只是该方法只对静态问题有效。

其他方法

一种有前景的思想，是引入评估的不确定度来进行探索－利用平衡，比如选择老虎机的某个游戏臂的价值，以95％置信度位于[9, 11]区间内。该思想指导下，诞生了一系列的算法，称为*Upper Confidence Bound (UCB)*方法。还有通过概率图模型进行探索－利用平衡的策略，但可能因为搜索空间过大而难以实现。