在第二版的p125中有写道:
Thus, the true values of all the states, A through E, are 1 6 \frac{1}{6} 61, 2 6 \frac{2}{6} 62, 3 6 \frac{3}{6} 63, 4 6 \frac{4}{6} 64, and 1 6 \frac{1}{6} 61.
那么这些结果哪里来的。在本书大部分的时间里,value可以由Bellman equation获得:
v
π
(
s
)
=
∑
a
π
(
a
∣
s
)
∑
s
′
,
r
p
(
s
′
,
r
∣
s
,
a
)
[
r
+
γ
v
π
(
s
′
)
]
v_\pi(s) = \sum_a\pi(a|s)\sum_{s',r}p(s',r|s,a)[r+\gamma v_\pi(s')]
vπ(s)=a∑π(a∣s)s′,r∑p(s′,r∣s,a)[r+γvπ(s′)]
在上式中,我们想要求得的是
v
v
v,但这伴随的未知量还包括p。
对于给定的一个s,四元函数p如果简简单单地记成1,并且把
π
\pi
π也写成0.5的话,并不能获得正确的答案。
因为书中写道,
… then proceed either left or right by one state on each step, with equal probability.
所以
π
(
a
∣
s
)
\pi(a|s)
π(a∣s)的取值应该没问题,
所以我认为,问题就在于四元函数p
给定了s和动作a,获得相应的s’和r的概率怎么就不是1了呢?换言之,这个里的s’和r难道不一定是立即可能的state和reward的了吗?
我联想到了Exercise 3.14,在那里,书中写道:
… show numerically that this equation holds for the center state, valued at +0.7, with respect to its four neighboring states, valued at …
应用上述的bellman equation,并且结合网上的答案,可以知道,仅就四个周边而言,反推得到的center的value值是:
1
4
×
1
×
0.9
×
(
0.4
−
0.4
+
2.3
+
0.7
)
=
0.675
≠
0.7
\frac{1}{4}\times1\times0.9\times(0.4-0.4+2.3+0.7)=0.675\neq0.7
41×1×0.9×(0.4−0.4+2.3+0.7)=0.675=0.7
我猜测,这个里的误差不仅源于数位保留的缘故(诚如在题干后边写的那样:
These numbers are accurate only to one decimal place.)
还应该在于,这里的四元函数p被默认为1了。这给人一种思考:是不是说,给定同样的状态和动作,并不是邻近的状态平均分享那四元函数?只不过它的比重接近但不一定完全一样而已。
那这样的话,如果有精确的计算,就不准确了。
但好在这个问题有一些好处:
- discount = 0
- reward = 0 except at the right end.
因此,以E为例,
v
π
(
E
)
=
0.5
×
p
(
R
,
1
∣
E
,
rightward
)
×
(
1
+
1
×
1
)
v_\pi(E)=0.5\times p(R,1| E, \text{rightward})\times(1+1\times1)
vπ(E)=0.5×p(R,1∣E,rightward)×(1+1×1)也就等于
p
(
R
,
1
∣
E
,
rightward
)
p(R,1| E, \text{rightward})
p(R,1∣E,rightward)
那么怎么求这个东西呢?
这个问题的一大特点,它是episodic,也就是说对于所有的情况,总共只有两种可能,一个是终结于左端,一个是终结于右端。那这样的情况是容易进行干净的分类讨论的。
参考了网上的答案,可以这样做:
首先,把
p
(
R
,
1
∣
E
,
rightward
)
p(R,1| E, \text{rightward})
p(R,1∣E,rightward)记作
P
E
(
R
)
P_E(R)
PE(R),意味终结于右端的那种可能情形;进而,终结于左端的可能情形记作
P
E
(
L
)
P_E(L)
PE(L)。注意,这里求出两种终端情形的概率并不难,巧的是
P
E
(
R
)
P_E(R)
PE(R)正好就是
p
(
R
,
1
∣
E
,
rightward
)
p(R,1| E, \text{rightward})
p(R,1∣E,rightward)而已。
P
E
(
R
)
+
P
E
(
L
)
=
1
P_E(R)+P_E(L) = 1
PE(R)+PE(L)=1
进而展开
P
E
(
L
)
P_E(L)
PE(L):
P
E
(
L
)
=
P
D
(
L
)
×
P
E
(
D
)
P_E(L)=P_D(L) \times P_E(D)
PE(L)=PD(L)×PE(D)
已知
P
E
(
D
)
=
0.5
P_E(D)=0.5
PE(D)=0.5,继续展开
P
D
(
L
)
P_D(L)
PD(L):
P
D
(
L
)
=
P
D
(
C
)
×
P
C
(
L
)
+
P
D
(
E
)
×
P
E
(
L
)
P_D(L)=P_D(C) \times P_C(L) + P_D(E) \times P_E(L)
PD(L)=PD(C)×PC(L)+PD(E)×PE(L)
根据对称性,
P
C
(
L
)
=
0.5
P_C(L)=0.5
PC(L)=0.5
又,
P
D
(
C
)
=
0.5
P_D(C)=0.5
PD(C)=0.5,综上形成闭环。
求得
P
E
(
R
)
=
5
6
P_E(R)=\frac{5}{6}
PE(R)=65。
因此
v
π
(
E
)
=
5
6
v_\pi(E)=\frac{5}{6}
vπ(E)=65。
根据对称性,
v
π
(
A
)
=
5
6
v_\pi(A)=\frac{5}{6}
vπ(A)=65
接下来,
P
D
(
R
)
=
P
D
(
E
)
×
P
E
(
R
)
+
P
D
(
C
)
×
P
C
(
R
)
=
2
3
≡
4
6
P_D(R)=P_D(E) \times P_E(R) + P_D(C) \times P_C(R) =\frac{2}{3} \equiv \frac{4}{6}
PD(R)=PD(E)×PE(R)+PD(C)×PC(R)=32≡64
因此
v
π
(
D
)
=
4
6
v_\pi(D)=\frac{4}{6}
vπ(D)=64。
同样根据对称性,
v
π
(
B
)
=
2
6
v_\pi(B)=\frac{2}{6}
vπ(B)=62。