强化学习笔记：AlphaGo(AlphaZero) ，蒙特卡洛树搜索（MCTS）

最新推荐文章于 2023-08-17 13:24:24 发布

UQI-LIUWJ

最新推荐文章于 2023-08-17 13:24:24 发布

阅读量4.5k

点赞数 11

分类专栏：强化学习文章标签：强化学习

本文链接：https://blog.csdn.net/qq_40206371/article/details/125131928

版权

强化学习专栏收录该内容

58 篇文章 54 订阅

订阅专栏

1 AlphaZero的状态

围棋的棋盘是 19 × 19 的网格，可以在两条线交叉的地方放置棋子，一共有 361 个可以放置棋子的位置，因此动作空间是 A = {1, · · , 361}。比如动作 a = 123 的意思是在第 123 号位置上放棋子。

AlphaGo Zero 使用 19 ×19 ×17 的张量表示一个状态。
- 张量每个切片 (Slice) 是 19 ×19 的矩阵，对应 19 ×19 的棋盘。
  - 一个 19 ×19 的矩阵可以表示棋盘上所有黑子的位置。如果一个位置上有黑子，矩阵对应的元素就是1，否则就是 0。
  - 同样的道理，用一个 19 ×19 的矩阵来表示当前棋盘上所有白子的位置。
- 张量中一共有 17 个这样的矩阵
  - 记录最近 8 步棋盘上黑子的位置，需要 8 个矩阵。
  - 同理，还需要 8 个矩阵记录白子的位置。
  - 还另外需要一个矩阵表示该哪一方下棋；
    - 如果该下黑子，那么该矩阵元素全部等于 1；
    - 如果该下白子，那么该矩阵的元素全都等于 0。

于是我们便有了类似的策略网络和价值网络

2 蒙特卡洛树搜索 MCTS

这一小节假设此时已经训练好了策略网络和价值网络。

AlphaGo 真正跟人下棋的时候，做决策的不是策略网络或者价值网络，而是蒙特卡洛树搜索 (Monte Carlo Tree Search， MCTS) 。

MCTS 不需要训练，可以直接做决策

2.1 基本思想

和人类下棋类似，AlphaGo在做决策前，需要在“大脑里”做预判，确保几步以后很可能会占优势。如果只根据当前格局做判断，不往前看，是很难获胜的。

MCTS 的基本思想就是向前看，模拟未来可能发生的情况，从而找出当前最优的动作
- AlphaGo 每走一步棋，都要用 MCTS 做成千上万次模拟，从而判断出哪个动作的胜算最大。

做模拟的基本思想如下。
- 假设当前有三种看起来很好的动作。每次模拟的时候从三种动作中选出一种，然后将一局游戏进行到底，从而知晓胜负。（只是计算机做模拟】而已，不是真的跟对手下完一局。）
- 重复成千上万次模拟，统计一下每种动作的胜负频率，发现三种动作胜率分别是 48%、56%、52%。
- 那么 AlphaGo 应当执行第二种动作，因为它的胜算最大。

以上只是 MCTS 的基本想法，实际做起来有很多难点需要解决。

2.2 四个步骤

MCTS 的每一次模拟选出一个动作 a ，执行这个动作，然后把一局游戏进行到底，用胜负来评价这个动作的好坏。

MCTS 的每一次模拟分为四个步骤：选择 (Selection) 、扩展 (Expansion)、求值 (Evaluation) 、回溯 (Backup) 。

2.2.1 选择

        观测棋盘上当前的格局，找出所有空位，然后判断其中哪些位置符合围棋规则；每个符合规则的位置对应一个可行的动作。

        每一步至少有几十、甚至上百个可行的动作；假如挨个搜索和评估所有可行动作，计算量会大到无法承受。

        虽然有几十、上百个可行动作，好在只有少数几个动作有较高的胜算。第一步—— 选择——的目的就是找出胜算较高的动作，只搜索这些好的动作，忽略掉其他的动作。

那么，如何判断动作 a 的好坏呢？

有两个指标：第一，动作 a 的胜率；第二，策略网络给动作 a 的“评分”（选择这个动作的概率）。用下面这个分值评价 a 的好坏：

η 是个需要调的超参数

N ( a ) 是动作 a 已经被访问过的次数。

初始的时候，对于所有的 a，令 N(a) ← 0。
动作 a 每被选中一次，我们就把 N(a) 加一：N(a) ← N(a) + 1。

Q ( a ) 是之前 N ( a ) 次模拟算出来的动作价值，主要由胜率和价值函数决定。

Q ( a ) 的初始值是 0 ；

动作 a 每被选中一次，就会更新一次 Q ( a ) ；如何更新会在第四步说明。

可以这样理解公式 ( 18.1 ) ：

如果动作 a 还没被选中过，那么 Q(a) 和 N(a) 都等于零，因此可得
也就是说完全由策略网络评价动作 a 的好坏。

如果动作 a 已经被选中过很多次，那么 N ( a ) 就很大，导致策略网络在 score( a ) 中的权重降低。当 N ( a ) 很大的时候，有 $score(a) \approx Q(a)$ 。

此时主要基于 Q ( a ) 判断 a 的好坏，而策略网络已经无关紧要。

系数 $\frac{1}{1+N(a)}$ 的另一个作用是鼓励探索，也就是让被选中次数少的动作有更多的机会被选中。假如两个动作有相近的 Q 分数和 π 分数，那么被选中次数少的动作的score 会更高。

MCTS 根据公式 ( 18.1 ) 算出所有动作的分数 score( a ) 。 MCTS 选择分数最高的动作。

图 18.4 的例子中有 3 个可行动作，分数分别为 0 . 4 、 0 . 3 、 0 . 5 。

第三个动作分数最高，会被选中。——>这一轮模拟会执行这个动作（只是模拟而已，不是 AlphaGo 真的走一步棋）。

2.2.2 扩展

把第一步选中的动作记作 a t ，它只是个假想的动作，只在“模拟器”中执行，而不是 AlphaGo 真正执行的动作。

AlphaGo 需要考虑这样一个问题：假如它执行动作 a t ，那么对手会执行什么动作呢？

AlphaGo 可以“推己及人”：如果 AlphaGo 认为几个动作很好，对手也会这么认为。

所以 AlphaGo 用策略网络模拟对手，根据策略网络随机抽样一个动作：

此处的状态 s′ 是站在对手的角度观测到的棋盘上的格局，动作 a′t 是（假想）对手选择的动作。

图 18.5 的例子中对手有四种可行动作， AlphaGo 用策略网络算出每个动作的概率值，然后根据概率值随机抽样一个对手的动作，记作 a ′ t 。假设根据概率值 0 . 1 , 0 . 3 , 0 . 2 , 0. 4 做随机抽样，选中第二种动作

从 AlphaGo 的角度来看，对手的动作就是 AlphaGo 新的状态。

AlphaGo 需要在模拟中跟对手将一局游戏进行下去，所以需要一个模拟器（即环境）。

在模拟器中，AlphaGo 每执行一个动作 $a_k$ ，模拟器就会返回一个新的状态 $s_{k+1}$ 。

想要搭建一个好的模拟器，关键在于使用正确的状态转移函数 $p(s_{k+1}|s_k,a_k)$ ；如果状态转移函数与事实偏离太远，那么用模拟器做 MCTS 是毫无意义的。

AlphaGo 模拟器利用了 围棋游戏的对称性：AlphaGo 的策略，在对手看来是状态转移函数；对

手的策略，在 AlphaGo 看来是状态转移函数。

最理想的情况下，模拟器的状态转移函数是对手的真实策略；

然而 AlphaGo 并不知道对手的真实策略。

AlphaGo 退而求其次，用 AlphaGo 自己训练出的策略网络 π 代替对手的策略，作为模拟器的状态转移函数。

2.2.3 求值

从状态 $s_{k+1}$ 开始，双方都用策略网络 π 做决策，在模拟器中交替落子，直到分出胜负。

当这局游戏结束时，可以观测到奖励 r 。如果 AlphaGo 胜利，则 r = +1 ，否则 r = 1 。

回顾一下，棋盘上真实的状态是 $s_t$ ，AlphaGo 在模拟器中执行动作 $a_t$ ，然后模拟器中的对手执行动作 $a'_t$ ，带来新的状态 $s_{t+1}$ 。状态 $s_{t+1}$ 越好，则这局游戏胜算越大。

如果 AlphaGo 赢得这局模拟 (r = +1)，则说明 $s_{t+1}$ 可能很好；如果输了 (r = 1)，则说明 $s_{t+1}$ 可能不好。因此，奖励 r 可以反映出 $s_{t+1}$ 的好坏。
还可以用价值网络 v 评价状态 $s_{t+1}$ 的好坏。价值 v( $s_{t+1}$ ; w) 越大，则说明状态 $s_{t+1}$ 越好。

奖励 r 是模拟获得的胜负，是对 $s_{t+1}$ 很可靠的评价，但是随机性太大。

价值网络的评估 v ( $s_{t+1}$ ; w )没有 r 可靠，但是价值网络更稳定、随机性小。

——>AlphaGo 的解决方案是把奖励 r 与价值网络的输出 v( $s_{t+1}$ ; w)取平均，作为对状态 $s_{t+1}$ 的评价

2.2.4 回溯

第三步——求值——算出了第 t + 1 步某一个状态的价值，记作 V ( $s_{t+1}$ ) ；

每一次模拟都会得出这样一个价值，并且记录下来。

模拟会重复很多次，于是第 t + 1 步每一种状态下面可以有多条记录；如图 18.8 所示。

第 t 步的动作 at 下面有多个可能的状态（子节点），每个状态下面有若干条记录。把 a t 下面所有的记录取平均，记作价值 Q( a t)，它可以反映出动作 a t 的好坏。

在图 18.8 中， a t 下面一共有 12 条记录， Q( a t) 是 12 条记录的均值。

给定棋盘上的真实状态 s t ，有多个动作 a 可供选择。对于所有的 a ，价值 Q ( a ) 的初始值是零。

动作 a 每被选中一次（成为 a t ），它下面就会多一条记录，我们就对 Q ( a ) 做一次更新。

2.3 MCTS决策

上一小节讲解了单次模拟的四个步骤，注意，这只是单次模拟而已。 MCTS 想要真正做出一个决策（即往真正的棋盘上落一个棋子），需要做成千上万次模拟。在做了无数次模拟之后，MCTS 做出真正的决策：

此时 AlphaGo 才会真正往棋盘上放一个棋子。

为什么要依据 N ( a ) 来做决策呢？

在每一次模拟中，MCTS 找出所有可行的动作{a}，计算它们的分数 score( a ) ，然后选择其中分数最高的动作，然后在模拟器里执行。

如果某个动作 a 在模拟中胜率很大，那么它的价值 Q ( a ) 就会很大，它的分数 score( a ) 会很高，

于是它被选中的几率就大。

也就是说如果某个动作 a 很好，它被选中的次数 N ( a ) 就会大。

当观测到棋盘上当前状态 st，MCTS 做成千上万次模拟，记录每个动作 a 被选中的次数 N(a)，最终做出决策 at = argmaxa N(a)。

到了下一时刻，状态变成了 $s_{t+1}$ 。MCTS 把所有动作 a 的 Q(a)、N(a) 全都初始化为零，然后从头开始做模拟，而不能利用上一次的结果。

【个人推测，是很难有和St中模拟的一模一样state的了，因为哪怕你当前棋谱是一样的，过去几个片段的棋谱也不可能一样】

AlphaGo 下棋非常“暴力”：每走一步棋之前，它先在“脑海里”模拟几千、几万局，它可以预知它每一种动作带来的后果，对手最有可能做出的反应都在 AlphaGo 的算计之内。

3 训练策略和价值网络

3.1 AlphaGo 2016 版本的训练

AlphaGo 2016 版的训练分为三步：
- 第一，随机初始化策略网络 π(a|s; θ) 之后，用行为克隆 (Behavior Cloning) 从人类棋谱中学习策略网络；
- 第二，让两个策略网络自我博弈，用 REINFORCE 算法改进策略网络；
- 第三，基于已经训练好的策略网络，训练价值网络 v(s; w)。

！！AlphaGo 没有使用MCTS！！

3.1.1 行为克隆

一开始的时候，策略网络的参数都是随机初始化的。假如此时直接让两个策略网络自我博弈，它们会做出纯随机的动作。它们得随机摸索很多很多次，才能做出合理的动作。假如一上来就用 REINFORCE 学习策略网络，最初随机摸索的过程要花很久。

        AlphaGo 用行为克隆训练策略网络 π(a|s; θ)模仿学习笔记：行为克隆_UQI-LIUWJ的博客-CSDN博客_行为克隆

·· 设361维的向量

         是策略网络的输出

        设 $\bar{a_k}$ 是对动作 $a_k$ 的 One-Hot 编码。

函数 $H(\bar{a_k},f_k)$ 是交叉熵，衡量 $\bar{a_k}$ 和fk的差别。

行为克隆可以描述为

这可以想象成分类问题，用梯度下降实现

行为克隆得到的策略网络模仿高手的动作，可以做出比较合理的决策。它在实战中可以打败业余玩家，但是打不过职业玩家。（因为没有exploration）

为了克服行为克隆的缺点，还需要继续用强化学习训练策略网络。在行为克隆之后再做强化学习改进策略网络，可以击败只用行为克隆的策略网络，胜算是 80% 。

3.1.2 用 REINFORCE 训练策略网络

AlphaGo 让策略网络做自我博弈，用胜负作为奖励，更新策略网络。
博弈的双方是两个策略网络，一个叫做 “玩家”，用最新的参数，记作 θnow；
另一个叫做“对手”，它的参数是从过时的参数中随机选出来的，记作 θold。
“对手”的作用相当于模拟器（环境）的状态转移函数，只是陪玩。
训练的过程中，只更新“玩家”的参数，不更新“对手”的参数。

        让“玩家”和“对手”博弈，将一局游戏进行到底，假设走了 n 步。游戏没结束的时候，奖励全都是零：

         游戏结束的时候，如果“玩家”赢了，奖励是 $r_n$ = +1 ，于是所有的回报都是 +1：



         游戏结束的时候，如果“玩家”输了，奖励是 $r_n$ = = 1，于是所有的回报都是 - 1：

回顾一下REINFORCE的参数更新公式

3.1.3 训练价值网络

价值网络 v(s; w) 是对状态价值函数 $V_\pi(s)$ 的近似，用于评估状态 s 的好坏。

在完成第二步——训练策略网络 π——之后，用 π 辅助训练 v。

虽然此处有一个策略网络 π 和一个价值网络 v，但这不属于 Actor-Critic 方法：此处先训练 π，再训练 v，用 π 辅助训练 v；而 Actor-Critic 则是同时训练 π 和 v，用 v 辅助训练 π。

        让训练好的策略网络做自我博弈，记录状态—回报二元组 $(s_k,u_k)$ ，存到一个数组里。

        自我博弈需要重复非常多次，把最终得到的数据集记作 $\{(s_k,u_k)\}_{k=1}^m$

根据定义， $V_\pi(s)$ 是对回报的期望



而  价值网络 v(s; w) 是对状态价值函数 $V_\pi(s)$ 的近似，所以我们希望用v(s;w)来拟合uk

于是我们定义回归问题

这也可以用梯度下降实现

3.2 AlphaGo Zero 版本的训练

AlphaGo Zero 与 2016 版本的最大区别在于训练策略网络 π ( a | s ; θ ) 方式。

训练 π 的时候，不再从人类棋谱学习，也不用 REINFORCE 方法，而是向 MCTS 学习。

其实可以把 AlphaGo Zero 训练 π 的方法看做是模仿学习，被模仿对象是 MCTS 。

3.2.1 自我博弈

用 MCTS 控制两个玩家对弈。每走一步棋， MCTS 需要做成千上万次模拟，并记录下每个动作被选中的次数 N ( a )

设当前是 t 时刻，真实棋盘上当前状态是 s t

现在执行 MCTS ，完成很多次模拟，得到 361 个整数（每种动作被选中的次数）：

对这些 N 做归一化，得到的 361 个数，它们相加等于 1 ；把这 361 个数记作 361 维的向量：

设这局游戏走了 n 步之后游戏分出胜负；奖励 $r_n$ 要么等于 +1 ，要么等于 1 ，取决于游戏的胜负

在游戏结束的时候，得到回报 $u_1=\cdots=u_n=r_n$ 。记录下这些数据：

用这些数据更新策略网络 π 和价值网络 v ；对 π 和 v 的更新同时进行。

3.2.2 更新策略网络

把 MCTS 的决策作为目标，让 π 去模仿。这是行为克隆，被模仿的对象是MCTS。

我们希望 π 做出的决策

尽量接近pt，也就是希望交叉熵 $H(p_t,f_t)$ 尽量小

定义优化问题：

用梯度下降更新参数：

3.2.3 更新策略网络

训练价值网络的方法与 AlphaGo 2016 版本基本一样，都是让 v ( s t ; w ) 拟合回报 u t 。

3.2.4 整体训练流程

随机初始化策略网络参数 θ 和价值网络参数 w 。然后让 MCTS 自我博弈，玩很多局游戏；每完成一局游戏，更新一次 θ 和 w。训练的具体流程就是重复下面三个步骤直到收敛：

UQI-LIUWJ

关注

11
点赞
踩
63

收藏

觉得还不错? 一键收藏
打赏
2
评论
强化学习笔记：AlphaGo(AlphaZero) ，蒙特卡洛树搜索（MCTS）

围棋的棋盘是 19 × 19 的网格，可以在两条线交叉的地方放置棋子，一共有 361 个可以放置棋子的位置，因此动作空间是 A = {1, · · , 361}。比如动作 a = 123 的意思是在第 123 号位置上放棋子。于是我们便有了类似的策略网络和价值网络和人类下棋类似，AlphaGo在做决策前，需要在“大脑里”做预判，确保几步以后很可能会占优势。如果只根据当前格局做判断，不往前看，是很难获胜的。以上只是 MCTS 的基本想法，实际做起来有很多难点需要解决。！！Alp
复制链接

扫一扫