【强化学习的数学原理-赵世钰】课程笔记（一）基本概念

一. 内容概述

​ 第一部分主要有两个内容：

1. 通过案例介绍强化学习中的基本概念

2. 在马尔可夫决策过程（MDP）的框架下将概念正式描述出来

二. 通过案例介绍强化学习中的基本概念

1. 网格世界（A grid world example）

​ 本课程中始终使用的一个示例：网格世界

​ （1）网格类型：可访问（Accessible）；禁止访问（forbidden）；目标单元格（target cells）；边界（boundary）

​ （2）机器人只能在相邻网格移动，不能斜着移动

​ 强化学习的任务：给任意一个起始点，找到一个比较好的路径到达目标。比较好的路径就是尽量避开禁止访问的地方，不要有无意义的拐弯，不要超越边界。

2. 状态（State）

​ 状态（state）：智能体相对于环境的状态

​ 以网格世界为例，智能体的位置就是状态。有九个可能的位置，因此也就有九种状态：$S_1、S_2,\dots ,S_9$。这些字母是一个索引，真正对应的状态可能是在二维平面上的位置（x,y），更复杂的问题可能还会对应速度，加速度，或其他类型的状态信息等等。

​ 状态空间（state space）：把所有状态放在一起，所有状态的集合（set）
S = { s i } i = 1 9 S=\{s_i\}_{i=1}^9 S={si​}i=19​

3. 动作（Action）

​ 动作（action）：每个状态都有五种可能的行动：$a_1,\dots ,a_5$

• $a_1$：向上移动；
• $a_2$： 向右移动；
• $a_3$： 向下移动;
• $a_4$： 向左移动；
• $a_5$： 保持不变；

​ 状态的动作空间（action space）：状态的所有可能动作的集合。
A ( s i ) = { a i } i = 1 5 A(s_i) = \{a_i\}_{i=1}^5 A(si​)={ai​}i=15​
动作空间和状态有依赖关系，不同状态的动作空间不同，由上面的公式可知，A 是 $s_i$的函数。

4. 状态转移（State transition）

​ 在采取行动（action）时，智能体可能会从一个状态移动到另一个状态。这种过程称为状态转移。

• 在状态 $s_1$ 下，如果我们选择行动 $a_2$，那么下一个状态是什么？（向右移动一格）

$$s_1\stackrel{a_2}{\to }{s}_2$$

• 在状态 $s_1$ 下，如果我们选择行动 $a_1$，那么下一个状态是什么？（向上移动一格，会撞到边界，所以状态还是 $s_1$）

$$s_1\stackrel{a_1}{\to }{s}_1$$

状态转换描述了智能体与环境的交互行为。 在游戏当中可以任意定义某个状态采取一个行动后状态的转换，但是在实际中不可以。

注意禁止访问的区域（forbidden area）：

例如：在状态 $s_5$，如果我们选择操作 $a_2$、 那么下一个状态是什么？

• 情况 1：禁区可以进入，但会受到惩罚。那么

$$s_5\stackrel{a_2}{\to }{s}_6$$

• 情况 2：禁区无法进入（如被围墙包围）

$$s_5\stackrel{a_2}{\to }{s}_5$$

​ 这边考虑的是第一种情况，这种情况更为普遍，也更具挑战性。因为如果把一些状态给排除掉的话，状态空间就小了，实际上做搜索的时候会更加容易。虽然进去forbidden area会的得到惩罚，但是也许进去之后，进到target area反而是最近的路径，所以有可能agent会冒险进到这个forbidden area。

表格表示法（Tabular representation）： 使用表格来描述状态转换，表格的每一行对应状态（state），每一列对应行动（action）。

表格表示法只能表示确定性（deterministic）的情况。

State transition probability： 使用概率描述状态转换

• 直觉：在状态 $s_1$ 下，如果我们选择行动（take action）$a_2$，下一个状态就是 $s_2$。
• 数学：使用条件概率表示

$$\begin{array}{rl}p(s_2|s_1,a_2)& =1\\ p(s_i|s_1,a_2)& =0\forall i\ne 2\end{array}$$

解释：假如当前时刻状态在 $s_1$ ，采取动作 $a_2$，那么下一时刻状态转移到 $s_2$ 的概率是1，但是下一时刻转移到其他任意 $i\ne 2$ 的状态的概率是 0 。

虽然这里仍然是确定性情况，但是也可以用条件概率描述随机性的（stochastic） 状态转换（例如阵风），假如当前时刻状态在 $s_1$，采取动作$a_2$，由于有风，有百分之 50 的概率到$s_2$，有百分之 50 的概率到 $s_5$。

5. 策略（Policy）

策略告诉智能体在某一状态下应采取什么行动。

（1） 策略的直观表示法： 我们用箭头来描述策略。（图中的圆圈表示待在原地不动）

​ 基于这一策略，我们可以得到以下不同起点的轨迹（path，trajectory）。

（2）策略的数学表示法： 使用条件概率描述策略

确定性策略（deterministic policy）：

​ 例如，对于状态 $s_1$，它的策略 $\pi$ 就是一个条件概率，它指定了任何一个状态下，采取任何一个动作（action）的概率是多少。
$$\begin{array}{rl}\pi (a_1|s_1)& =0\\ \pi (a_2|s_1)& =1\\ \pi (a_3|s_1)& =0\\ \pi (a_4|s_1)& =0\\ \pi (a_5|s_1)& =0\end{array}$$
​ 公式解释： 在状态 $s_1$下，采取动作（take action） $a_1$往上走的概率是 0；在状态$s_1$ 下，采取动作（take action） $a_2$ 往右走的概率是 1，以此类推。

​ 针对一个状态所有可能采取的动作的概率之和应该等于 1。

​ 上面例子只说了 $s_1,还有s_2,\dots ,s_9$，针对每个状态都要它的有策略。

不确定性策略（stochastic policy）：

​ 在这一策略中，对于状态 $s_1$，使用条件概率表示策略：
$$\begin{array}{rl}\pi (a_1|s_1)& =0\\ \pi (a_2|s_1)& =0.5\\ \pi (a_3|s_1)& =0.5\\ \pi (a_4|s_1)& =0\\ \pi (a_5|s_1)& =0\end{array}$$
​ 公式解释： 在状态 $s_1$ 下，采取动作（take action） $a_1$ 往上走的概率是 0；在状态 $s_1$ 下，采取动作（take action） $a_2$ 往右走的概率是 0.5，以此类推。

​ 针对一个状态所有可能采取的动作的概率之和应该等于 1。

​ （3） 策略的表格表示法： 每一行对应一个状态（state），每一列对应一个动作（action）

这样的表格可以描述确定性（deterministic）或随机性（stochastic）的情况，在编程的时候就是这么做的，会用一个数组或者矩阵表示这样的一个策略。

6. 奖励（Reward）

奖励（reward）是强化学习中最独特的概念之一。

奖励：智能体采取行动（take action）后获得的真实数字，是标量。

• 如果这个数字是正数，则是正向奖励，代表对采取此类行动的鼓励。
• 如果这个数字是负数，则是负向奖励，代表对采取此类行动的惩罚，不希望这样的行为发生。
• 那么零奖励呢？代表没有惩罚。
• 正数也可以意味着惩罚，负数也可以意味着奖励，这是数学上的技巧而已。

​ 在网格世界示例中，奖励设计如下：

• 如果智能体试图离开边界，则让 $r_{bound}=-1$
• 如果智能体试图进入禁区，让 $r_{forbid}=-1$
• 如果行为体到达目标单元，让 $r_{target}=+1$
• 其他情况下，智能体获得的奖励为 $r=0$

奖励可以被理解为一种人机界面（我们与机器交互的一种手段），我们可以用它来引导智能体按照我们的期望行事。

例如，有了上述设计的奖励，智能体就会尽量避免走出边界或踏入禁区，而会尽量进入目标区域。所以可以通过设计 reward，实现目标。

（1）奖励转换（reward transition）的表格表示法： 表格的每一行对应一个状态（state），每一列对应一个动作（action），表格中间表示在某个状态采取某个动作得到的奖励（reward）。

​ 表格只能表示确定性的情况（deterministic），比如在一个状态采取了一个行动，一定会得到某种奖励，但是实际上奖励（reward）的大小可能是不确定的，这时候可以使用下面的数学表示法表示。

​ （2）奖励的数学表示法： 条件概率

​ 直觉： 在状态 $s_1$下，如果我们选择行动$a_1$，奖励为$-1$

​ 数学： $p(r=-1|s_1,a_1)=1andp(r\ne -1|s_1,a_1)=0$

这里是一个确定性(deterministic)案例，在这个状态采取这个行动，一定会得到那个 reward。奖励转换（reward transition）也可能是随机（stoachstic）的。

例如，如果你努力学习，这个行为会被鼓励，就会得到正的奖励。但正的奖励的数值多少不确定。

奖励依赖于当前的状态和动作，而不是依赖于下一个状态。

• 比如在$s_1$ 选择动作$a_1$，会回到$s_1$；

• 在 $s_1$ 选择动作 $a_5$，也会在 $s_1$，

这两个行为的下一个状态相同，但动作不一样，reward 就不一样。

7. 轨迹和收益（Trajectory and return）

​ （1）策略1

轨迹（trajectory)是一条状态-行动-回报链：
$$s_1\underset{r=0}{\overset{a_2}{\to }}{s}_2\underset{r=0}{\overset{a_3}{\to }}{s}_5\underset{r=0}{\overset{a_3}{\to }}{s}_8\underset{r=1}{\overset{a_2}{\to }}{s}_9$$
这条轨迹的收益（return）是： 沿轨迹（trajectory）收集的所有奖励（reward）的总和（The return of this trajectory is the sum of all the rewards collected along the trajectory:）：
$$return=0+0+0+1=1$$
（2）策略2

​ 不同的策略（policy）带来不同的轨迹（trajectory）
$$s_1\underset{r=0}{\overset{a_3}{\to }}{s}_4\underset{r=-1}{\overset{a_3}{\to }}{s}_7\underset{r=0}{\overset{a_2}{\to }}{s}_8\underset{r=1}{\overset{a_2}{\to }}{s}_9$$
​ 这条路径的收益是（The return of this path is）：$return=0-1+0+1=0$

---

​ 哪种策略更好？

• 从直觉上将：第一个更好，因为它避开了禁区。
• 在数学角度：第一种更好，因为它的收益（return）更大！

收益（return）可以用来评价一项策略（policy）的好坏

8. 折扣回报（discounted return）

​ 轨迹可能是无限的（A trajectory may be infinite:）：
$$s_1\stackrel{a_2}{\to }{s}_2\stackrel{a_3}{\to }{s}_5\stackrel{a_3}{\to }{s}_8\stackrel{a_2}{\to }{s}_9\stackrel{a_5}{\to }{s}_9\stackrel{a_5}{\to }{s}_9\dots$$
​ 收益是（ The return is ）：$return=0+0+0+1+1+1+...=\infty$

​ 这个定义是无效的，因为回报（return）发生了偏离，会发散！需要引入折扣率（折扣因子） （discounted rate）：$\gamma \in [0,1)$

​ 折扣率（discounted rate）和回报（return）结合就得到了折扣回报（Discounted return）
$$\begin{array}{rl}discountedreturn& =0+\gamma 0+{\gamma }^{2}0+{\gamma }^{3}1+{\gamma }^{4}1+{\gamma }^{5}1+\dots \\ & ={\gamma }^3(1+\gamma +{\gamma }^2+\dots )={\gamma }^3\frac{1}{1-\gamma }\end{array}$$
折扣回报（Discounted return）的作用： 1）总和变得有限；2）平衡远期和近期的回报（reward）：

• 如果 $\gamma$ 接近于 0， $\gamma$ 的三次，五次方会很快的衰减掉，则折扣回报（Discounted return） 的价值以 近期（最开始） 获得的奖励（reward）为主。
• 如果$\gamma$ 接近于 1，未来的奖励（reward）衰减比较慢，则折扣回报（Discounted return） 的价值以 远期奖励 为主。

​ 通过控制 $\gamma$，能够控制智能体学到的策略，若减小 $\gamma$ ，会让智能体变得更加短视（更加注重最近一些的奖励 reward）；若 $\gamma$ 较大，会让智能体变得更加远视（更加注重长远的奖励 reward）

9. Episode

​ 当智能体按照策略（policy）与环境交互时，可能会在某些终端状态（terminal states）停止。由此产生的轨迹（trajectory）称为一集（an episode） （或一次试验 trail）。

​ 例如：episode
$$s_1\underset{r=0}{\overset{a_2}{\to }}{s}_2\underset{r=0}{\overset{a_3}{\to }}{s}_5\underset{r=0}{\overset{a_3}{\to }}{s}_8\underset{r=1}{\overset{a_2}{\to }}{s}_9$$
通常假定一集（An episode）是一个有限的轨迹（finite trajectory），有 episodes 的任务称为偶发任务（episodic tasks）

有些任务可能没有结束状态（have no terminal states），这意味着与环境的交互永远不会结束。这类任务被称为持续性任务（continuing tasks）。

在 "网格世界 "的例子中，我们是否应该在到达目标后停止？还是像刚才计算折扣回报（ discounted return ）的时候还可以继续让智能体执行策略，然后一直停到 $s_9$ 状态？

事实上，我们可以通过将偶发任务（episodic tasks）转换为持续任务（continuing tasks），用统一的数学方法来处理偶发任务和持续任务。

转换的两种方法：

• 方案 1：将目标状态（target state）视为特殊的吸收状态（absorbing state）（absorbing state 就是在设置它的 state transition probability 的时候，如果当前状态就是 target 状态，不论采取什么样的 action 都会再回到这个状态；或者在这个状态的时候没有其他的 action ,可以修改 action space ，让它的 action 只有留在原地这样的一个 action）。一旦智能体达到吸收状态（absorbing state），就永远不会离开。因此它之后得到的所有奖励（reward ）$r=0$。
• 方案 2：将目标状态（target state）视为有策略的正常状态（a normal state with a policy）。如果策略好的话，智能体能够一直留在那里，收集正的收益（reward） ，策略不好的话智能体仍然可能离开目标状态，并在进入目标状态时获得$r=+1$ 的收益。

我们在本课程中将考虑方案 2，这样我们就不需要将目标状态（target state）与其他状态区分开来，而可以将其视为正常状态（a normal state）。

三. 在马尔可夫决策过程（MDP）的框架下将概念正式描述出来

1. 马尔可夫决策过程（Markov decision process） 的关键要素：

（1）集合（Sets）

• 状态（即 state space）： 状态 S 的集合。
• 行动（即 action space）： 与状态 $s\in S$ 相关联的行动集 $A(s)$。
• 奖励： 奖励 $R(s,a)$的集合 （从状态 s 出发，选择动作 a，即 take action a ，得到的 reward 一定来源于一个集合）

（2）概率分布（Probability distribution (or called system model)）

• 状态转换概率： 在状态$s$下，采取行动$a$，转换到状态 $s^{\prime }$ 的概率为 $p(s^{\prime }|s,a)$
• 奖励概率： 在状态 $s$下，采取行动$a$，获得奖励 $r$ 的概率为 $p(r|s,a)$

（3）策略（policy）—— 对应 Markov decision process 中的 decision

​ 策略：在状态 $s$ 下，选择行动 $a$ 的概率为 $\pi (a|s)$

（4）马尔可夫性质：无记忆性质（Markov property: memoryless property）—— 对应 Markov decision process 中的 Markov

$$\begin{gathered} p(s_{t+1}|a_{t+1},s_t,\dots ,a_1,s_0)=p(s_{t+1}|a_{t+1},s_t) \\ p(r_{t+1}|a_{t+1},s_t,\dots ,a_1,s_0)=p(r_{t+1}|a_{t+1},s_t) \end{gathered}$$

​ 这是与历史无关的一个性质。

​ 比如最开始的状态是 $s_0$，然后我采取了一个 action $a_0$，慢慢的我走到 $s_t$ 的时候，我采取了一个 action 是 $a_{t+1}$，这时候我跳到下一个状态 $s_{t+1}$ 的概率 等于 完全不考虑这些历史，也不管之前在什么地方，反正现在在 $s_t$，现在 take action $a_{t+1}$，会跑到 $s_{t+1}$ 的概率。

All the concepts introduced in this lecture can be put in the framework in MDP

2. 马尔可夫过程（Markov process）

​ 网格世界（The grid world）可以抽象为一个更通用的模型，即马尔可夫过程（Markov process）。

​ 圆圈代表状态（states），带箭头的链接代表采取 action 后的状态转换（state transition）。

3. 马尔可夫过程（Markov process）与马尔可夫决策过程（Markov decision process） 的关系

一旦给出策略，即策略确定下来，那么 policy 就和整个系统融为一体了，马尔可夫决策过程（Markov decision process）就变成了马尔可夫过程（Markov process）！

四. 总结

​ 通过使用网格世界的示例，我们展示了以下关键概念：

​ By using grid-world examples, we demonstrated the following key concepts:

• State
• Action
• State transition, state transition probability $p(s^{\prime }|s,a)$
• Reward, reward probability $p(r|s,a)$
• Trajectory, episode, return, discounted return
• Markov decision process