【RL】Value Function Approximation（值函数逼近）

Lecture 8: Value Function Approximation

Algorithm for state value estimation

Objective function

令$v_{\pi }(s)$和$\hat{v}(s,w)$是真实state value和近似函数。

算法的目标是找到一个最优的 $w$，使得 $\hat{v}(s,w)$能够最好地逼近每个 $s$ 的 $v_{\pi }(s)$。

这是一个policy evaluation问题。

为了找到最优的 $w$，需要两个步骤：

• 第一步是定义目标函数
• 第二步是推导优化目标函数的算法

目标函数为：
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2].$$
目标是寻找可以最小化$j(w)$的$w$。

期望是关于随机变量 $S\in \mathbf{S}$的。关于$S$ 的概率分布有以下几种方式：

第一种方式是使用均匀分布（uniform distribution）

即通过将每个state的概率设置为$1/|\mathbf{S}|$，将所有state态视为同等重要。

在这种情况下，目标函数变为：
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]=\frac{1}{|\mathcal{S}|}\sum _{s\in \mathcal{S}}(v_{\pi }(s)-\hat{v}(s,w){)}^2.$$
缺点：每个state可能并不同样重要。 例如，某些state可能很少被policy访问。 因此，这种方法没有考虑给定policy下Markov过程的真实动态。

第一种方式是使用稳态分布（stationary distribution）

稳态分布是经常使用的一个重要概念。 简而言之，它描述了Markov过程的长期行为。

令 { d π ( s ) } s ∈ S \{d_\pi(s)\}_{s\in S} {dπ​(s)}s∈S​ 表示policy $\pi$ 下马尔可夫过程的平稳分布。 根据定义，$d_{\pi }(s)\ge 0$ 且 ${\sum }_{s\in \mathcal{S}}{d}_{\pi }(s)=1$。

目标函数可以重写为:
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]=\sum _{s\in \mathcal{S}}{d}_{\pi }(s)(v_{\pi }(s)-\hat{v}(s,w){)}^2.$$
该函数是加权平方误差。

由于更频繁访问的state具有更高的 $d_{\pi }(s)$ 值，因此它们在目标函数中的权重也高于那些很少访问的state。

Example：

令 $n_{\pi }(s)$ 表示在由 $\pi$ 生成的很长的episode中 $s$ 被访问的次数。

那么，$d_{\pi }(s)$ 可以近似为：
$$d_{\pi }(s)\approx \frac{n_{\pi }(s)}{{\sum }_{s^{\prime }\in \mathcal{S}}{n}_{\pi }(s^{\prime })}$$

收敛值是可以预测的，因为它们是 $d_{\pi }$ 的条目：
$$d_{\pi }^T=d_{\pi }^T{P}_{\pi }$$
对于这个例子，有 $P_{\pi }$ 作为：
$$P_{\pi }=[\begin{array}{cccc}0.3& 0.1& 0.6& 0\\ 0.1& 0.3& 0& 0.6\\ 0.1& 0& 0.3& 0.6\\ 0& 0.1& 0.1& 0.8\end{array}]$$
可以计算出1的特征值的左特征向量为：
$$d_{\pi }={\left[\begin{array}{c}0.0345,0.1084,0.1330,0.7241\end{array}\right]}^T$$

Optimization algorithms

当有了目标函数后，下一步就是优化它。

为了最小化目标函数 $J(w)$，可以使用梯度下降算法：
$$w_{k+1}=w_k-{\alpha }_k{\nabla }_{w}J(w_k)$$
真实梯度为：
$$\begin{array}{rl}{\nabla }_{w}J(w)& ={\nabla }_w\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]\\ & =\mathbb{E}[{\nabla }_w(v_{\pi }(S)-\hat{v}(S,w){)}^2]\\ & =2\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w))(-{\nabla }_w\hat{v}(S,w))]\\ & =-2\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w)){\nabla }_w\hat{v}(S,w)]\end{array}$$
真实梯度涉及期望的计算。

可以使用随机梯度来代替真实梯度：
$$w_{t+1}=w_t+{\alpha }_t(v_{\pi }(s_t)-\hat{v}(s_t,w_t)){\nabla }_w\hat{v}(s_t,w_t),$$
其中$s_t$是$S$的样本。这里，$2{\alpha }_k$被合并到${\alpha }_k$

该算法无法实现，因为它需要真实的state value $v_{\pi }$，而$v_{\pi }$是待估计的未知数。

为了保证算法的可行性，可以用近似值替换 $v_{\pi }(s_t)$。

特定来说：

一、使用函数逼近的Monte Carlo learning

令 $g_t$ 为该episode中从 $s_t$开始的discounted return。 然后，$g_t$可以用来近似$v_{\pi }(s_t)$。 算法变为：
$$w_{t+1}=w_t+{\alpha }_t(g_t-\hat{v}(s_t,w_t)){\nabla }_w\hat{v}(s_t,w_t).$$
二、函数逼近的TD learning
根据TD learning的理念，$r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)$可以被视为$v_{\pi }(s_t)$的近似。 那么算法就变成了：
$$w_{t+1}=w_t+{\alpha }_t\left[r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)-\hat{v}(s_t,w_t)\right]{\nabla }_w\hat{v}(s_t,w_t).$$

它只能估计给定policy的state value。

Selection of function approximators

如何选择函数$\hat{v}(s,w)$？

第一种方法是以前广泛使用的，使用线性函数：
$$\hat{v}(s,w)={\varphi }^T(s)w$$
这里，$\varphi (s$)是特征向量，可以是多项式基、傅立叶基等。

第二种是现在广泛使用的以神经网络作为非线性函数逼近器。

神经网络的输入是state，输出是$\hat{v}(s,w)$，网络参数是$w$。

在 $\hat{v}(s,w)={\varphi }^T(s)w$ 的线性情况下，有：
$${\nabla }_w\hat{v}(s,w)=\varphi (s).$$
将梯度代入TD算法：
$$w_{t+1}=w_t+{\alpha }_t\left[r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)-\hat{v}(s_t,w_t)\right]{\nabla }_w\hat{v}(s_t,w_t)$$
可得：
$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma {\varphi }^T(s_{t+1})w_t-{\varphi }^T(s_t)w_t]\varphi (s_t)$$
这是线性函数逼近的TD learning算法。 简称为 TD-Linear。

线性函数近似的缺点：很难选择合适的特征向量。

线性函数近似的优点：

• TD 算法在线性情况下的理论特性比在非线性情况下更容易理解。
• 线性函数逼近仍然很强大，因为表格表示只是线性函数逼近的一个特例。

表格表示是线性函数近似的特例。

首先，考虑state $s$ 的特殊特征向量：
$$\varphi (s)=e_s\in {\mathbb{R}}^{|\mathcal{S}|},$$
其中 $e_s$ 是一个向量，第 $s$ 个条目为 1，其他条目为 0。

在这种情况下，
$$\hat{v}(s,w)=e_s^{T}w=w(s),$$
其中 $w(s)$ 是 $w$ 的第 $s$ 个条目。

TD 线性算法是:
$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma {\varphi }^T(s_{t+1})w_t-{\varphi }^T(s_t)w_t]\varphi (s_t),$$
当 $\varphi (s_t)=e_s$ 时，上述算法变为：
$$w_{t+1}=w_t+{\alpha }_t\left(r_{t+1}+\gamma w_t(s_{t+1})-w_t(s_t)\right)e_{s_t}.$$
这是一个向量方程，仅更新$w_t$ 的第 $t$ 个条目。

将 $e_{s_t}^T$ 等式两边相乘得到：
$$w_{t+1}(s_t)=w_t(s_t)+{\alpha }_t\left(r_{t+1}+\gamma w_t(s_{t+1})-w_t(s_t)\right),$$
这正是表格TD算法。

Illustrative examples

给定一个policy：对于任何 $s$、$a$，$\pi (a|s)=0.2$

目标是估计该policy的state value（policy evaluation问题）。

总共有 25 个state value。 接下来将展示如何使用少于 25 个参数来近似这些state value。

设置：$r_{\mathrm{forbidden}}=r_{\mathrm{boundary}}=-1,r_{\mathrm{target}}=1$, $\gamma =\mathrm{0.9.}$

Ground truth：

真实状态值和 3D 可视化：

Experience 样本:

• 按照给定的policy生成 500 个episode。
• 每episode有 500 步，从遵循均匀分布的随机选择的state-action对开始。

为了进行比较，tabular TD算法（简称TD-Table）给出的结果：

接下来展示 TD-Linear 算法的结果：

特征向量选择：
$$\varphi (s)=[\begin{array}{c}1\\ x\\ y\end{array}]\in {\mathbb{R}}^3.$$
在这种情况下，近似state value为：
$$\hat{v}(s,w)={\varphi }^T(s)w=[1,x,y][\begin{array}{c}{w}_1\\ w_2\\ w_3\end{array}]=w_1+w_{2}x+w_{3}y.$$
值得注意的是， $\varphi (s)$ 也可以定义为 $\varphi (s)=[x,y,1{]}^T$ ，其中元素的顺序并不重要。

TD-Linear 算法的结果：

趋势是对的，但由于逼近能力有限，存在误差。

为了增强逼近能力，可以使用高阶特征向量，从而使用更多参数。

例如，可以考虑：
$$\varphi (s)=[1,x,y,x^2,y^2,xy{]}^T\in {\mathbb{R}}^6.$$
在这种情况下：
$$\hat{v}(s,w)={\varphi }^T(s)w=w_1+w_{2}x+w_{3}y+w_4{x}^2+w_5{y}^2+w_{6}xy$$
其对应于二次曲面。

可以进一步增加特征向量的维度：
$$\begin{array}{r}\varphi (s)=[1,x,y,x^2,y^2,xy,x^3,y^3,x^{2}y,x{y}^2{]}^T\in {\mathbb{R}}^{10}.\end{array}$$
具有高阶特征向量的 TD-Linear 算法的结果：

上图对应：$\varphi (s)\in {\mathbb{R}}^6$

上图对应：$\varphi (s)\in {\mathbb{R}}^{1}0$

Summary of the story

至此，完成了价值函数逼近TD learning的过程。

• 这个过程从目标函数开始：
  $$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2].$$
  目标函数表明这是一个policy evaluation问题。

• 梯度下降算法为：
  $$w_{t+1}=w_t+{\alpha }_t(v_{\pi }(s_t)-\hat{v}(s_t,w_t)){\nabla }_w\hat{v}(s_t,w_t),$$

• 将算法中未知的真值函数替换为近似值，得到算法：
  $$w_{t+1}=w_t+{\alpha }_t\left[r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)-\hat{v}(s_t,w_t)\right]{\nabla }_w\hat{v}(s_t,w_t).$$

Theoretical analysis

算法：
$$w_{t+1}=w_t+{\alpha }_t\left[r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)-\hat{v}(s_t,w_t)\right]{\nabla }_w\hat{v}(s_t,w_t)$$
不最小化以下目标函数：
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]$$
不同的目标函数：

• 目标函数1：真值误差
  $$J_E(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]=\Vert \hat{v}(w)-v_{\pi }{\Vert }_D^2$$

• 目标函数2：Bellman误差
  $$J_{BE}(w)=\Vert \hat{v}(w)-(r_{\pi }+\gamma P_{\pi }\hat{v}(w)){\Vert }_D^2\doteq \Vert \hat{v}(w)-T_{\pi }(\hat{v}(w)){\Vert }_D^2,$$
  其中，$T_{\pi }(x)\doteq r_{\pi }+\gamma P_{\pi }x$。

• 目标函数 3：预计Bellman误差（Projected Bellman error）
  $$\begin{array}{rl}{J}_{PBE}(w)& =\Vert \hat{v}(w)-M{T}_{\pi }(\hat{v}(w)){\Vert }_D^2,\end{array}$$
  其中 $M$ 是投影矩阵。

TD-Linear算法最大限度地减少了Projected Bellman error。

Sarsa with function approximation

到目前为止，只考虑了state value估计的问题。
$$\hat{v}\approx v_{\pi }$$
为了寻找最佳policy，需要估计action values。

价值函数近似的 Sarsa 算法为：
$$w_{t+1}=w_t+{\alpha }_t\left[r_{t+1}+\gamma \hat{q}(s_{t+1},a_{t+1},w_t)-\hat{q}(s_t,a_t,w_t)\right]{\nabla }_w\hat{q}(s_t,a_t,w_t).$$
为了寻找最优policy，可以将policy evaluation和policy improvement结合起来。

Q-learning with function approximation

与 Sarsa 类似，tabular Q-learning也可以扩展到价值函数逼近的情况。

q-value更新规则为：
$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma \underset{a\in \mathcal{A}(s_{t+1})}{\max }\hat{q}(s_{t+1},a,w_t)-\hat{q}(s_t,a_t,w_t)]{\nabla }_w\hat{q}(s_t,a_t,w_t),$$
与 Sarsa 相同，只是将 $\hat{q}(s_{t+1},a_{t+1},w_t)$ 替换为${\max }_{a\in \mathcal{A}(s_{t+1})}\hat{q}(s_{t+1},a,w_t)$。

Deep Q-learning

Deep Q-learning 或 deep Q-network (DQN)：

将深度神经网络引入强化学习的最早、最成功的算法之一。

神经网络的作用是成为非线性函数逼近器。

与以下算法不同：
$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma \underset{a\in \mathcal{A}(s_{t+1})}{\max }\hat{q}(s_{t+1},a,w_t)-\hat{q}(s_t,a_t,w_t)]{\nabla }_w\hat{q}(s_t,a_t,w_t)$$
因为训练网络的方式。

Deep Q-learning旨在最小化目标函数/损失函数：
$$J(w)=\mathbb{E}\left[{\left(R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w)\right)}^2\right],$$
其中 $(S,A,R,S^{\prime })$ 是随机变量。

这实际上是贝尔曼最优误差（Bellman optimality error）：
$$q(s,a)=\mathbb{E}\left[R_{t+1}+\gamma \underset{a\in \mathcal{A}(S_{t+1})}{\max }q(S_{t+1},a)|S_t=s,A_t=a\right],\forall s,a$$
$R+\gamma {\max }_{a\in \mathcal{A}(S^{\prime })}\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w)$的值在期望意义上应该为0。

使用梯度下降最小化目标函数。

在目标函数中：
$$J(w)=\mathbb{E}\left[{\left(R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w)\right)}^2\right],$$
参数 $w$ 不仅出现在 $\hat{q}(S,A,w)$ 中，而且还出现在：
$$y\doteq R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w)$$
为了简单起见，可以假设在计算梯度时，$y$ 中的 $w$ 是固定的（至少在一段时间内）。

为此，可以引入两个网络。

• 一个是代表 $\hat{q}(s,a,w)$ 的主网络
• 另一个是目标网络 $\hat{q}(s,a,w_T)$。

在这种情况下，目标函数退化为：
$$J=\mathbb{E}\left[{\left(R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w_T)-\hat{q}(S,A,w)\right)}^2\right],$$
其中$w_T$ 是目标网络参数。

当 $w_T$ 固定时，$J$ 的梯度可以很容易地得到：
$${\nabla }_{w}J=\mathbb{E}\left[\left(R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w_T)-\hat{q}(S,A,w)\right){\nabla }_w\hat{q}(S,A,w)\right].$$

• deep Q-learning 的基本思想是利用梯度下降算法来最小化目标函数。
• 然而，这样的优化过程发展了一些值得特别关注的重要技术。

第一个技术：

两个网络，一个主网络和一个目标网络。

实施细节：

• 让 $w$ 和 $w_T$ 分别表示主网络和目标网络的参数。 它们最初设置为相同。
• 在每次迭代中，从重放缓冲区（replay buffer）中抽取一小批样本 $\{(s,a,r,s^{\prime })\}$。
• 网络的输入包括state $s$ 和action a。 目标输出为$\begin{array}{r}{y}_T\doteq r+\gamma \underset{a\in \mathcal{A}(s^{\prime })}{\max }\hat{q}(s^{\prime },a,w_T)\end{array}$。 然后，直接最小化小批量 $\{(s,a,y_T)\}$ 上的 TD 误差或称为损失函数 $(y_T-\hat{q}(s,a,w){)}^2$。

第二个技术：

Experience replay

当收集了一些经验样本后，不会按照收集的顺序使用这些样本。

相反，我们将它们存储在一个集合中，称为重播缓冲区（replay buffer）$\mathcal{B}\doteq \{(s,a,r,s^{\prime })\}$

每次训练神经网络时，都可以从replay buffer中抽取 mini-batch 随机样本。

样本的抽取，或者称为experience replay，应该遵循均匀分布。

Why is experience replay necessary in deep Q-learning? Why does the replay must follow a uniform distribution?

答案在目标函数中：
$$J(w)=\mathbb{E}\left[{\left(R+\gamma \underset{a\in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w)\right)}^2\right],$$
$(S,A)\sim d$：$(S,A)$是一个索引并被视为单个随机变量。

$\begin{array}{rl}R& \sim p(R|S,A),S^{\prime }\sim p(S^{\prime }|S,A)\end{array}$：$R$和$S$由系统模型决定。

假设state-action对 $(S,A)$ 的分布是均匀的。

然而，样本并不是统一收集的，因为它们是由某些policy产生的。

为了打破后续样本之间的相关性，可以使用经验回放（experience replay）技术，从replay buffer中统一抽取样本。

这就是为什么经验回放（experience replay）是必要的以及为什么经验回放必须统一的数学原因。

tabular Q-learning vs. deep Q-learning:

为什么tabular Q-learning不需要经验回放（experience replay）？

tabular Q-learning无均匀分布要求。

为什么deep Q-learning涉及分布？

深层情况下目标函数是所有 $(S,A)$ 的标量平均值。 表格情况不涉及$S$或$A$的任何分布。表格情况下的算法旨在求解所有$(s,a)$的一组方程（Bellman最优方程）。

可以在tabular Q-learning中使用经验回放吗？

可以。tabular Q-learning既可以是on-policy的也可以是off-policy的。在其是off-policy情况时，可以受用经验回放。

Example：

此示例旨在学习每个state-action 对的最佳action value。

一旦获得最优action value，就可以立即得到最优贪心policy。

设置：

• 使用一个单独的episode来训练网络。
• 这一episode是由图（a）所示的探索性行为policy生成的
• episode只有 1,000 步。 tabular Q-learning 需要 100,000 个步。
• 具有一个隐藏层的浅层神经网络被用作 $\hat{q}(s,a,w)$的非线性逼近器。 隐藏层有 100 个神经元。

仅使用 100 步的episode：

Summary

This lecture introduces the method of value function approximation.

• First, understand the basic idea.
• Second, understand the basic algorithms.

以上内容为B站西湖大学智能无人系统 强化学习的数学原理 公开课笔记。