强化学习（Reinforcement Learning）知识整理

最新推荐文章于 2024-05-27 10:11:45 发布
最新推荐文章于 2024-05-27 10:11:45 发布
阅读量1.6k 收藏 6
点赞数 1
分类专栏： 强化学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38361726/article/details/117597034
版权

马尔可夫决策过程（Markov Decision Processes,MDPs）

MDPs 简单说就是一个智能体（Agent）采取行动（Action）从而改变自己的状态（State）获得奖励（Reward）与环境（Environment）发生交互的循环过程。

MDP 的策略完全取决于当前状态（Only present matters），这也是它马尔可夫性质的体现。

其可以简单表示为：  

基本概念

  1.  : 有限状态 state 集合，s 表示某个特定状态
  2.  : 有限动作 action 集合，a 表示某个特定动作
  3. Transition Model  : Transition Model, 根据当前状态 s 和动作 a 预测下一个状态 s’，这里的   表示从 s 采取行动 a 转移到 s’ 的概率
  4. Reward  :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，采用不同的形式，其意义略有不同
  5. Policy  : 根据当前 state 来产生 action，可表现为   或  ，后者表示某种状态下执行某个动作的概率

回报（Return）：

  与 折扣率（discount） : U 代表执行一组 action 后所有状态累计的 reward 之和，但由于直接的 reward 相加在无限时间序列中会导致无偏向，而且会产生状态的无限循环。因此在这个 Utility 函数里引入   折扣率这一概念，令往后的状态所反馈回来的 reward 乘上这个 discount 系数，这样意味着当下的 reward 比未来反馈的 reward 更重要，这也比较符合直觉。定义

 

由于我们引入了 discount，可以看到我们把一个无限长度的问题转换成了一个拥有最大值上限的问题。

强化学习的目的是最大化长期未来奖励，即寻找最大的 U。（注：回报也作 G 表示）

基于回报（return），我们再引入两个函数

  • 状态价值函数： ，意义为基于 t 时刻的状态 s 能获得的未来回报（return）的期望，加入动作选择策略后可表示为 ( )
  • 动作价值函数： ，意义为基于 t 时刻的状态 s，选择一个 action 后能获得的未来回报（return）的期望

价值函数用来衡量某一状态或动作-状态的优劣，即对智能体来说是否值得选择某一状态或在某一状态下执行某一动作。

MDP 求解

我们需要找到最优的策略使未来回报最大化，求解过程大致可分为两步,具体内容会在后面展开

  1. 预测：给定策略，评估相应的状态价值函数和状态-动作价值函数
  2. 行动：根据价值函数得到当前状态对应的最优动作

Bellman 期望方程

Bellman 方程的分析

为了更加了解方程中期望的具体形式，可以见下图，第一层的空心圆代表当前状态（state），向下连接的实心圆代表当前状态可以执行两个动作，第三层代表执行完某个动作后可能到达的状态 s’。

根据上图得出状态价值函数公式： 

其中， 

上式中策略 是指给定状态 s 的情况下，动作 a 的概率分布，即 

我们将概率和转换为期望，上式等价于：

 

同理，我们可以得到动作价值函数的公式如下：

 

如上图，Bellman 方程也可以表达成矩阵形式： ，可直接求出 ；其复杂度为 ，一般可通过动态规划、蒙特卡洛估计与 Temporal-Difference learning 求解。

状态价值函数和动作价值函数的关系


 
 

最优方程

最优价值函数（optimal state-value function）

 

其意义为所有策略下价值函数的最大值

Bellman最优方程


 

  • v 描述了处于一个状态的长期最优化价值，即在这个状态下考虑到所有可能发生的后续动作，并且都挑选最优的动作来执行的情况下，这个状态的价值
  • q 描述了处于一个状态并执行某个动作后所带来的长期最优价值，即在这个状态下执行某一特定动作后，考虑再之后所有可能处于的状态并且在这些状态下总是选取最优动作来执行所带来的长期价值

最优策略（Optimal Policy）

关于收敛性：（对策略定义一个偏序）

 

定理：

对于任意 MDP：

  • 总是存在一个最优策略 ，它比其它任何策略都要好，或者至少一样好
  • 所有最优决策都达到最优值函数，  
  • 所有最优决策都达到最优行动值函数， 

最优策略可从最优状态价值函数或者最优动作价值函数得出：

 

求解 Bellman 最优方程

通过解 Bellman 最优性方程找一个最优策略需要以下条件:

    • 动态模型已知
    • 拥有足够的计算空间和时间
    • 系统满足 Markov 特性

所以我们一般采用近似的办法，很多强化学习方法一般也是研究如何近似求解 Bellman 方程，一般有下面几种（后文会做具体讲解）：

    • Value Iteration
    • Policy Iteration
    • Q-learning
    • Sarsa

MDPs 还有下面几种扩展形式：

    • Infinite and continuous MDPs
    • Partially observable MDPs
    • Undiscounted, average reward MDPs

动态规划求解 MDPs 的 Planning

动态规划是一种通过把复杂问题划分为子问题，并对自问题进行求解，最后把子问题的解结合起来解决原问题的方法。「动态」是指问题由一系列的状态组成，而且状态能一步步地改变，「规划」即优化每一个子问题。因为MDP 的 Markov 特性，即某一时刻的子问题仅仅取决于上一时刻的子问题的 action，并且 Bellman 方程可以递归地切分子问题，所以我们可以采用动态规划来求解 Bellman 方程。

MDP 的问题主要分两类

  • Prediction 问题
    • 输入：MDP   和策略（policy） 
    • 输出：状态价值函数  
  • Control 问题
    • 输入：MDP  
    • 输出：最优状态价值函数 和最优策略 

解决也是分两种，见下文

Policy Iteration

步骤：

  • Iterative Policy Evaluation:
    • 基于当前的 Policy 计算出每个状态的 Value function
    • 同步更新：每次迭代更新所有的状态的 v

 

    • 矩阵形式： 

 

    • 左边是第 k 次迭代每个 state 上状态价值函数的值，右边是通过贪心（greedy）算法找到策略
    • 计算实例：
      • k=2, -1.7   -1.75 = 0.25*(-1+0) + 0.25*(-1-1) + 0.25*(-1-1) + 0.25*(-1-1)
      • k=3, -2.9   -2.925 = -0.25*(-1-2) + 0.25*(-1-2) + 0.25*(-1-2) + 0.25*(-1-1.7)
  • Policy Improvement
    • 基于当前的状态价值函数（value function），用贪心算法找到最优策略

 

    •  会一直迭代到收敛，具体证明如图:

 

    • 扩展
      • 事实上在大多数情况下 Policy evaluation 不必要非常逼近最优值，这时我们通常引入   函数来控制迭代停止
      • 很多情况下价值函数还未完全收敛，Policy 就已经最优，所以在每次迭代之后都可以更新策略（Policy），当策略无变化时停止迭代

Value Iteration

  • 最优化原理：当且仅当状态 s 达到任意能到达的状态 s‘ 时，价值函数 v 能在当前策略（policy）下达到最优，即 ，与此同时，状态 s 也能基于当前策略达到最优，即 
  • 状态转移公式为： 
  • 矩阵形式为： 
  • 下面是一个实例，求每个格子到终点的最短距离，走一步的 reward 是 -1:

同步动态规划算法小结

  1. 迭代策略评估（Iterative Policy Evaluation）解决的是 Prediction 问题，使用了贝尔曼期望方程（Bellman Expectation Equation）
  2. 策略迭代（Policy Iteration）解决的是 Control 问题，实质是在迭代策略评估之后加一个选择 Policy 的过程，使用的是贝尔曼期望方程和贪心算法
  3. 价值迭代（Value Iteration） 解决的是 Control 问题，它并没有直接计算策略（Policy），而是在得到最优的基于策略的价值函数之后推导出最优的 Policy，使用的是贝尔曼最优化方程（Bellman Optimality Equation）

Model-free v.s. Model-based

Model-based 是指学习 Transition Model   ，即在状态 s 采取行动 a 后转移到 s' 的概率，然后基于这个 Model 去选择最优的策略。Transition Model 的空间复杂度为   ，所以不太适合用于解决状态空间和动作空间过大的问题。

Model-free 未知 Transition Model，通常通过不断的尝试去直接学习最优策略。

前面的 Policy Iteration 和 Value Iteration 都是 model-based 方法，因此一定程度上受限于状态空间和动作空间的规模。于是 Q-learning 应运而生。

Q-learning

公式如下，可以看出 Q-leaning 由 Value iteration 演变而来，但去除了对 Transition Model 的依赖，因此属于 Model-free 的方法。另一方面下一个动作 a 的选择，原来是根据 policy 选择最优的 action，现在是 maximum 下一个 state 的值来选择 action，所以 Q-learning 属于 off-policy 算法。

 

https://martin-thoma.com/images/2016/07/q-learning.png

State-Action-Reward-State-Action (SARSA)

公式如下，唯一与 Q-learning 的不同是，SARSA 是 on-policy 方法，需要考虑 exporation-exploitation 问题，基本方法是   -greedy。

 

https://martin-thoma.com/images/2016/07/sarsa-lambda.png

Deep Q Network (DQN)

基本思路是，用神经网络建模 Q function，基本公式如下：（   是 state s，  代表网络参数）。Loss 为 网络输出值（   ）和目标值（   ）之间的平方误差。

 

同时，因为训练样本并不满足 iid，DQN 引入 Experience Replay 机制从 replay 中随机采样数据以尽量减少样本间的相关性，使得网络更容易训练。另外，DQN 的 target network 和 estimate network 结构一致，经过 C 轮迭代之后更新 target network = estimate network，从而使训练更稳定。

训练过程如下：

https://storage.googleapis.com/deepmind-media/dqn/DQNNaturePaper.pdf

Deep Deterministic Policy Gradient (DDPG)

DQN 可以很好的解决高维状态空间问题，但对连续动作空间或者是动作空间非常大的情况并不适用。DDPG 尝试通过 actor-critic architecture 来解决连续动作空间的问题，引入 actor 输出连续动作（离散也可以），critic 则是对状态，动作对（s，a）打分，指导 actor 的学习。

DDPG 也采用了 DQN 的 Seperate Target Network 机制，critic 和 actor 各有两个神经网络，一类是 target，一类用于 estimate（即会即时更新的 network）。

  • Actor
    • Actor Network (estimation)  
    • Target Network  
  • Critic
    • Critic Network (estimation)  
    • Target Network  

训练过程如下：

https://arxiv.org/pdf/1509.02971.pdf

其中还有几个值得注意的点：

  • 不同于 DQN 每过 C 次迭代将 estimation network 的参数直接复制到 target network，DDPG 使用 soft target update(  ) 保证参数缓慢更新
  • 引入了 batch normalization
  • 通过给参数空间或动作空间加入 noise 鼓励 actor 进行 exploration (Open AI 发现把 noise 加入在参数上效果更好，见 blog post)

PG 和 Q learning 的问题

Policy Gradient 的问题是，1）大的策略更新使训练失败，2）有时很难将策略的变化映射到参数空间，3）不合适的学习率导致梯度消失或爆炸，4）样本效率（sample efficiency）低。

Q learning 的问题是，大部分情况下，对不同的 action 差别不会很大（方差小），且在部分任务中，Q function 的值总为正。

优势函数 Advantage Function

优势函数就是为了解决 Q function 值方差小而引入的，基本形式为 

A(s,a) 意义为当前 (s,a) pair 的效用相对于该状态下平均效用的大小，如果大于 0 则说明该动作优于平均动作。

Trust Region Policy Optimization (TRPO)

实作 DDPG 的一个问题网络参数更新的步长不好确定，太小网络优化会非常慢，太大则容易优化过头，导致更新后的网络反而不如更新之前。为此 TRPO 想通过一个机制使回报函数在更新的过程中单调递增，即 expected discounted long-term reward   递增。

 

为使每次迭代后   保持增加，直观的想法是将其分解为旧策略对应的回报函数+其他项，然后设法保证其他项大于等于零即可。该分解公式如下：（具体推导可参见：https://arxiv.org/pdf/1509.02971.pdf）。

η For New Policy π’ (https://arxiv.org/pdf/1509.02971.pdf)

第一项旧策略回报值，第二项为新旧策略的回报差值。上式又可以进一步转化为  

但   非常依赖新策略导致很难优化，所以我们忽略状态分布的变化，保持旧策略对应的状态分布，引入对 的近似  作为优化目标：

 

式中的动作 a 还是依赖于新策略，而新策略由未知的参数   决定，所以我们引入重要性采样（importance sampling）对动作分布进行处理。

 

最后再通过一些变换，以及引入平均 KL-divergence 可将问题转化为：（过程可参考原论文或https://zhuanlan.zhihu.com/p/26308073）

 

引入 KL-divergence 的目的是限制新旧策略的的差别，防止更新太过发散。

Proximal Policy Optimization (PPO)

 

参考资料：

  1. 优达学城（Udacity）纳米学位增强学习部分Reinforcement Learning By David Silver
    UC Berkeley CS188 Intro to AI -- Course Material
  2. CS188 https://inst.eecs.berkeley.edu/~cs188/fa18/
  3. Introduction to Various Reinforcement Learning Algorithms. Part I (Q-Learning, SARSA, DQN, DDPG)
  4. Introduction to Various Reinforcement Learning Algorithms. Part II (TRPO, PPO)
xinxing_Star
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
强化学习实例
haodawei123的博客
11-12 458
强化学习原理代码与总结
强化学习实例（直接运行，直观，方法可替换，初学者代码友好）
08-19
强化学习模仿写的一段自动打乒乓球可视化的实例，直接运行val.py可观察到可视化结果，另外附上训练好的.pth文件，方便看到每一步运行过程，运行时直接替换对应的pth文件即可。
强化学习中的优势函数（Advantage Function）
YHKKun的博客
03-29 889
这样一来，优势函数 A(s,a) 描述了在状态 s 下执行动作 a 相对于仅按照当前策略行动的平均收益而言的增益或亏损。如果为负，则说明执行该动作相对较差。优势函数在策略梯度方法中扮演着重要角色，因为它可以帮助算法更准确地识别出哪些动作应当被鼓励，哪些动作应当被抑制，从而更有效地优化策略。在强化学习算法中，特别是那些基于策略梯度的方法（如REINFORCE、PPO、TRPO等），优势函数是一个非常重要的工具，因为它可以帮助算法更精确地定位应该优先改进哪些动作的选择，从而优化策略。
【强化学习】强化学习基础教程：基本概念、强化学习的定义，要素，方法分类 以及 Rollout、episode回合、transition转移、trajectory轨迹的概念
最新发布
几度热忱的博客
05-27 2600
【强化学习】强化学习基础教程：基本概念、强化学习的定义，要素，方法分类 以及 Rollout、episode回合、transition转移、trajectory轨迹的概念 1.基础概念 1.1 强化学习的定义 1.2 强化学习的基本要素 2.强化学习分类 2.1 根据agent学习方式分为基于策略的强化学习Policy based RL ，基于价值的强化学习Value based RL以及Actor-Critic方法 2.2 根据理不理解所处的环境（agent有无学习环境的模型）分为model-based与
强化学习 优势函数(Advantage Function)
热门推荐
布谷AI的专栏
06-02 1万+
优势函数表达在状态s下，某动作a相对于平均而言的优势。 从数量关系来看，就是随机变量相对均值的偏差。 使用优势函数是深度强化学习极其重要的一种策略，尤其对于基于policy的学习。
强化学习例子
记录老板的每次pua，分享领导每天的毒鸡汤...
02-22 1323
QLearning 迷宫寻宝游戏 我们这里有一个最简单的2*2的迷宫，左上角为起点（1），右下角为宝藏（4），要提防的就是左下角的陷阱（3）。作为高智商物种，我们一眼就可以看出来最优路径就是1-2-4，而对于计算机则不然，他刚开始对这些没有任何的概念，这些信息都要它自己探索获得，或者我们直接把环境信息构建好告诉他。 在上面这个例子中，我们要设计奖惩规则，比如，我们的目标是最少步骤内拿到宝贝同时还要避免掉坑（陷阱）里去，所以呢我们把每走一步奖赏设为-1，掉坑里的话奖励他-10，拿到宝贝的话奖励+10。单纯的
强化学习导论中文版 增强学习导论中文版 Reinforcement learning an introduction 中文版.
06-04
6. 深度强化学习（Deep Reinforcement Learning, DRL）：随着深度学习的发展，神经网络被用于估计Q值或策略函数，形成了深度Q网络（Deep Q-Network, DQN）和策略梯度等方法，解决了高维度状态空间的问题，实现了在...
强化学习入门资料Algorithms for Reinforcement Learning
04-29
RLBook资料集锦。 强化学习入门资料Algorithms for Reinforcement Learning。 强化学习导论和代码实例。 中文英文都有。
David Silver的强化学习Reinforcement Learning课程PPT
12-18
David Silver的强化学习课程PPT Lecture 1: Introduction to Reinforcement Learning Lecture 2: Markov Decision Processes Lecture 3: Planning by Dynamic Programming Lecture 4: Model-Free Prediction ...
Solutions (Selected) Reinforcement Learning_Reinforcement_学习_强化学
10-04
强化学习（Reinforcement Learning，RL）是一种人工智能领域的机器学习方法，它着重于通过与环境的交互来学习最优策略。这个领域由一个智能体（agent）和一个环境组成，智能体通过执行动作并观察环境的反馈（即奖励...
强化学习 reinforcement learning
10-22
Richard S.Sutton和Andrew G.Barto所著。学习强化学习的人都应该知道这两个人。本资料为旁听Rich Sutton课时老师推荐的阅读材料之一，本资料仅限个人使用，分三个压缩包上传。此为第三个
强化学习经典案列
02-02
1-grid-world,2-cartpole,3-atari 强化学习入门案例。
强化学习第一个小例子
wulin的博客
04-08 221
小例子 import numpy as np import pandas as pd import time N_STATES=6 #1维世界的宽度 ACTIONS=['left','right'] #探索者的可用动作 EPSILON=0.9 #贪婪度 greedy ALPHA=0.1 #学习率 GAMMA=0.9 #奖励递减值 MAX_EPISODES=13 #最大回合数 FRESH_TIME=0.001 #移动间隔时间 def build_q_table(n_states,actions):
强化学习常见案例
Castlehe的博客
01-28 5641
入门强化学习的时候，看到许多教程都给了很多强化学习的例子，有些是视频，有些是线上一些可以自己改参数看效果的游戏，这里做一个归类整理 有趣的强化学习视频 小红小蓝捉迷藏的链接: https://openai.com/blog/emergent-tool-use/ 相应的视频应该是来自b站，（直接搜索emergent-tool-use 也会有很多类似的视频）【AI捉迷藏】初代天网？[中文字幕] Multi-Agent Hide and Seek 红球绿球链接： https://github.com/Padd
7个最流行的强化学习算法实战案例（附 Python 代码)
m0_59596937的博客
01-31 1万+
以上就是我们总结的7个常用的强化学习算法，这些算法并不相互排斥，通常与其他技术(如值函数逼近、基于模型的方法和集成方法)结合使用，可以获得更好的结果。
强化学习实例：多臂赌博机
qq_41685265的博客
04-09 928
一、游戏背景 多臂赌博机是一种游戏机，在本文中是一种具有三个拉杆的游戏机，每拉动一个杆，就会有一些金币从机器里出来，每只杆拉动出现的金币都是不一样的，同一只杆拉动多次出现的金币数量也是不全相同的，因此考虑拉动N次杆，怎么能让出现的金币的个数最多？ 二、采取策略 一个很显然的思路是，先试探性的每个杆都拉动几次，看看哪个杆出现的金币比较多，那么之后就拉动那一只杆，这种思路是一种解决方法，但是如果因为巧合导致选择的那一只杆不是出金币最多的，那么就会导致很大的损失，所以考虑有没有方法可以在选择当前出金币最多的
强化学习实战-吃豆人Pacman经典案例分析
qq_18256855的博客
05-26 4823
前言：上篇介绍了什么是强化学习，本篇实战讲解强化学习，提供所有的实战代码，可以自行下载运行。本篇使用强化学习领域经典的Project-Pacman项目进行实操，Python2.7环境，使用Q-Learning算法进行训练学习，将讲解强化学习实操过程中的各处细节。如何设置Reward函数，如何更新各(State,Action)下的Q-Value值等。有基础的读者可以直接看Part4实战部分。文章略长，细节讲解很多，适合新手入门强化学习。 1. 强化学习 关于强化学习的基础介绍，可以阅读我上一篇帖子，本..
《强化学习》学习（二）——强化学习的结构与实例
Ucicorn Gundam的博客
09-08 2068
《强化学习》学习（二）——强化学习的结构与实例
【强化学习】DQN：Flappy Bird实例分析
兴趣使然的创作者
04-23 7977
关于Flappy Bird实例分析的DQN分析
深度强化学习精要：Grokking Deep Reinforcement Learning
"Manning.Grokking.Deep.Reinforcement.Learning.2020.10.pdf - 一本关于深度强化学习的专业书籍，由Miguel Morales撰写，Charles Isbell, Jr.作序，由Manning出版社出版。内容涵盖深度强化学习的理论与实践，旨在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值