【强化学习】第01期：绪论

笔者近期上了国科大周晓飞老师《强化学习及其应用》课程，计划整理一个强化学习系列笔记。笔记中所引用的内容部分出自周老师的课程PPT。笔记中如有不到之处，敬请批评指正。

---

1.1 概述

强化学习：通过与环境互动，获取环境反馈的样本；回报（作为监督），进行最优决策的机器学习。
强化学习的过程可以用下图进行描述：在状态S1下选择动作a1，获取回报R1的同时跳转到状态S2；在状态S2下选择动作a2，获取回报R2的同时跳转到状态S3……如此循环下去。
强化学习的目标就是：对于给定的状态S，我们能选一个比较好的动作a，使得回报最大。

1.2 Markov决策过程

1.2.1 Markov Process (MP) 马尔科夫过程

一个马尔科夫过程是一个元组<S,P>，其中S表示一个有限的状态集合，P表示一个状态转移矩阵。
比如：下图矩阵P中的P1n表示，t时刻状态为n的情况下，t+1时刻转移到状态1的概率。矩阵P中的第一行表示从状态1转移出去的概率，最后一行表示从状态n转移出去的概率，所以矩阵中每一行的和都是1。

这是Markov过程的一个例子：

在这个例子中，假设初始状态为C1（即class1），进行4次采样，可以得到4个采样结果：

1.2.2 Markov Reward Process (MRP) 马尔科夫回报过程

马尔科夫回报过程也是一个元组$<S,P,R,\gamma >$，相比于马尔科夫过程MP，MRP多了$R$和$\gamma$。其中，$R$表示在给定状态$s$的情况下，未来回报的期望。$\gamma$则是折扣因子。

那么，该怎么计算回报呢？假设当前时间为$t$，要计算从时间$t$开始获得的奖励$G_t$。最直接的方法是计算$G_t=R_{t+1}+R_{t+2}+R_{t+3}......$，但是这样计算是不好的。
第一，如果这么算，就认为未来的奖励和当前的奖励同等重要，这在许多现实问题中并不合理。例如，在金融和经济领域，时间越长的不确定性越高，因此更倾向于重视当前的收益。
第二，在无限时间步长的过程中，累积奖励的和可能是发散的，这会导致价值函数无法计算和优化。
所以，引入了折扣因子$\gamma$。奖励计算方法如下图公式所示。$\gamma$趋向于0时，表示更注重当前奖励，$\gamma$趋向于1时，表示更具有远见。

下面是一个MRP的计算实例。首先进行采样得到几个观测序列。然后套上面的公式得到观测序列的回报，初始状态为$C1$，$\gamma$取值为1/2（每一个动作对应的回报值在下一张图片上有）。

在MRP中还有一个要提的概念是估值函数（value function），它表示以状态s为起始，所有回报的平均。就像下图中所画的一样，假设从状态c1起始进行采样，得到多个观测序列，每一个观测序列都有对应被采样到的概率$P_t$，以及获得的回报$G_t$。将$P_t\ast G_t$再求和就是估值函数v(s)。
所以，当MRP确定的时候，v(s)就是确定的值。

那么v(s)该如何计算呢？
Bellman方程将这个估值函数表示为即时奖励和后续状态价值的和，其公式如下图所示。

然后可以通过解方程解求出v(s)，如下图所示。下图中的$R$、$gamma$、$P$都是MRP中的已知量，只有v(1)~v(n)是未知量。也就是说，当 MRP（环境参数）已知时，理论上通过求解 Bellman 方程式可以计算 v(s)。

1.2.3 Markov Decision Process (MDP) 马尔科夫决策过程

MDP的定义：相比于MRP，MDP多了一个有限的动作集A。可以理解为：MDP 是一个多层的 MRP，每一层对应一个行动 a。

那么给定一个状态s，我们该选择怎样的行动a呢？这就要提到策略$\pi$（policy $\pi$）了，策略$\pi$表示在状态s情况下，跳转到动作a的概率。

这是一个MDP示意图。图中每一层代表了一个MRP，也隐含了一个动作a。选择a的过程其实就是在不同层之间跳转。

通过推导可以得出下面两个结论：
（1）MDP by a policy is a MP
这意味着，一旦我们固定了策略 𝜋，在任意状态 𝑠下采取动作 𝑎 的概率就确定了，这样原来的MDP就变成了一个不再依赖动作选择的过程，即一个Markov Process (MP)。

（2）MDP by a policy is also a MRP
这意味着，在有了策略 𝜋 后，MDP中的奖励也可以固定下来，即从状态 𝑠 到状态 𝑠′ 的转移的期望奖励。

再补充几个概念：
（1）state-value function $v_{\pi }(s)$：从状态s开始，按照策略$\pi$进行决策得到的期望回报
（2）action-value function $q_{\pi }(s,a)$：从状态s开始，采取动作a，按照策略$\pi$进行决策得到的期望回报
（3）$v_{\pi }(s)$和$q_{\pi }(s,a)$的关系如下图中红色方框中的公式所示。

此时，有了MDP by a policy is a MP、MDP by a policy is also a MRP这两个结论后，我们可以进一步推导出：

从而得到贝尔曼期望方程：

Bellman期望方程有啥用呢？
（1）策略评估。用于评估一个给定策略 𝜋 的价值函数$V^{\pi }(s)$和 $Q^{\pi }(s,a)$。通过迭代的方法，可以逐步逼近真实的值函数。
（2）策略改进。在策略迭代和值迭代算法中，Bellman期望方程用于评估当前策略，并根据评估结果改进策略，从而逐步找到最优策略。

1.3 强化学习

再回想一下强化学习的目标，在强化学习中，我们的目标是对于给定的状态S，我们能选一个比较好的动作a，使得回报最大。即：学习一个策略$\pi$，让$v_{\pi }(s)$和$q_{\pi }(s,a)$最大。为了达到这个目标，引入了optimal state-value function $v_{\pi }(s)$和optimal action-value function $q_{\pi }(s,a)$：

在此基础上推导出了贝尔曼最优方程：

推导过程详见这篇博文：贝尔曼最优方程推导，这篇文章写得挺好的，所以笔者在此就不多赘述啦，大家直接看这篇文章就好！

贝尔曼最优方程定义了最优值函数和最优动作值函数。最优值函数表示从状态 𝑠 出发，按照最优策略所能获得的最大期望回报。最优动作值函数表示在状态 𝑠 采取动作 𝑎 后，按照最优策略所能获得的最大期望回报。
贝尔曼最优方程在强化学习中可以用来定义和求解最优策略，使得在每个状态下的累积回报最大化。它为我们提供了一种系统的方法，通过动态规划和迭代更新来逼近最优解，是解决强化学习问题的核心工具。