强化学习提纲 周博磊老师笔记

第一课：强化学习智能体的主要组成部分：

• Policy：引导智能体如何选取动作
• Value function：来判断每个状态或者动作的好坏
• Model：智能体在环境中的状态表示

Policy

• 一个决策就是智能体选取动作的模型
• 一个决策是一个映射函数，从状态、或者观测值到动作的映射
• 随机决策：随机概率 \(\pi(a|s)=P[A_t=a|S_t=s]\)
• 确定策略：\(a^*=argmax_a\pi(a|s)\)

Value function

• 价值函数：期望发现一个未来总收益的和是最大的\(\pi\)策略
• 即时收益，和未来总收益，折扣因子
• \(G_t=\sum_{k=0}^{\infty}\gamma^kR_{t+k+1}\)，\(G_t\)代表未来总收益
• 用来量化状态和动作的好坏， \(v_\pi(s)=\mathbb{E}_\pi[G_t|S_t=s]=\mathbb{E}_\pi[\sum_{k=0}^{\infty}\gamma^kR_{t+k+1}|S_t=s],\,for\, all \,s\in S\)，在状态\(s\)下的总收益是\(v_\pi(s)\)。
• Q函数(用来在动作空间中选择动作)，\(q_\pi(s,a)=\mathbb{E}_\pi[G_t|S_t=s,A_t=a]=\mathbb{E}_\pi[\sum_{k=0}^{\infty}\gamma^kR_{t+k+1}|S_t=s,A_t=a]\)，在状态为\(s\)，动作为\(a\)的时候价值是\(q_\pi(s,a)\)。

Model

• 模型所要预测的就是环境接下来就怎么变化
• 预测下一个状态：\(P^a_{ss'}=\mathbb{P}[S_{t+1}=s'|S_t=s,A_t=a]\)，在状态为\(s\)的时候采取动作\(a\)，状态幻化成\(s'\)的概率为\(P^a_{ss'}\)
• 预测下一个奖励回报：\(R_s^a=\mathbb{E}[R_{t+1}|S_t=s,A_t=a]\)，在状态为\(s\)的时候采取动作\(a\)的下一个奖励回报的值为\(R_s^a\)

马尔可夫决策

• \(P^a\)是每个动作的转换模型，\(P(S_{t+1}=s'|S_t=s,A_t=a)\)
• \(R\)是回报函数\(R(S_t=s,A_t=a)=\mathbb{E}[R_t|S_t=s,A_t=a]\)
• 折扣因子\(\gamma \in [0,1]\)，一般采用这几个折扣因子0.95, 0.98, 0.99, 0.995

Value-based agent，Policy-based agent和Actor-Critic agent

• Value-based agent：有明确的价值函数，没有决策函数，但是决策函数可以通过价值函数来得到
• Policy-based agent：没有价值函数，只有决策函数
• Actor-Critic agent：既有价值函数，又有决策函数

Model-based和Model-free

• Model-based：有明确的模型，也许有，也许没有价值和决策函数
• Model-free：有价值函数或者决策函数，没有模型

第二课：MDP：马尔可夫决策过程：

为什么要用折扣因子\(\gamma\)

• 有些马尔可夫链是带环的，使用折扣因子是为了避免无穷的奖励
• 将未来的不确定性能够表示出来
• 对于一些有价值的奖励，希望能够即刻的得到奖励，而不是在以后得到奖励
• 人的行为也是更喜欢得到即刻奖励
• \(\gamma\)设为0的话：只在乎即刻奖励，\(\gamma\)设为1的话：未来奖励和即刻奖励权重相等。

求价值函数的方法，迭代的方法，用来求解状态比较多的环境

• 动态规划

利用贝尔曼公式，\(Q^π(s,a)=r+γQ^π(s′,π(s' ))\) ,采用迭代的方法，逐渐的更新每个状态的价值，当价值变化不大的时候，就停止更新。

• 蒙特卡洛随机采样

例如求\(V(s_4)\)，从\(s_4\)开始随机产生很多的轨迹，然后每个轨迹算得它的奖励，然后所有的奖励再取一个平均

• 时序差分学习(动态规划+蒙特卡洛)

Policy evaluation on MDP

• 当我们给定好一个MDP的时候，我们有一个事先定义好的policy \(\pi\)，根据当前的这个policy \(\pi\) 我们可以获得到多大的价值。

• Bellman expectation backup :

  \[v_{t+1}(s)=\sum_{a \in A}\pi(a|s)[R(s,a)+\gamma\sum_{s' \in S}P(s'|s,a)v_t(s')] \tag 1 \]

当前状态\(s\)的\((t+1)\)步价值(通过迭代的方式不断地更新当前状态的价值，也就是从第\(t\)步价值来求得第\((t+1)\)步的价值)就等于，在当前状态下，所有可能发生的动作\(a\)，在当前状态\(s\)下执行动作\(a\)的概率乘当前状态\(s\)下执行动作\(a\)的回报\(R(s,a)\)，再加上在当前状态\(s\)下执行动作\(a\)的概率乘衰减因子，再乘上在状态\(s\)下执行动作\(a\)，到达状态\(s'\)的概率，再乘上在状态\(s'\)下的价值。

• 马尔可夫奖励过程与马尔可夫决策过程的差别就是，马尔可夫奖励过程不考虑动作action，\(MRP<S,P^{\pi},R,\gamma>\)

\[v_{t+1}(s)=R^\pi(s)+\gamma P^\pi(s'|s)v_t(s') \tag 2 \]

Improve a Policy through Policy Iteration

• Iterate through the two steps:
  • Evaluate the policy \(\pi\) (computing \(v\) given current \(\pi\))，第一步：计算v函数，输入，环境，策略以及衰减因子，来计算这个策略的价值。
  • Improve the policy by acting greedily wirh respect to \(v^\pi\)，第二步：改进策略policy，通过对 \(v^\pi\) (第一步通过\(\pi\)求解出来的\(v\))采取贪心的算法，来改进策略policy。