Robbins-Monro(RM)算法【随机近似】

强化学习笔记

主要基于b站西湖大学赵世钰老师的【强化学习的数学原理】课程，个人觉得赵老师的课件深入浅出，很适合入门.

第一章 强化学习基本概念
第二章 贝尔曼方程
第三章 贝尔曼最优方程
第四章 值迭代和策略迭代
第五章 强化学习实践—GridWorld
第六章 蒙特卡洛方法
第七章 Robbins-Monro算法

---

---

一、Robbins-Monro 算法

随机近似(Stochastic Approximation)是指用于解决寻根或求解优化问题的一类广泛的随机迭代算法。与许多其他求根算法(如梯度下降法、牛顿法)相比，随机近似的强大之处在于它不需要目标函数的表达式或其导数。Robbins-Monro算法是随机近似领域的开创性工作，下面介绍RM算法的基本框架：

【RM算法】

设$g:\mathbb{R}\to \mathbb{R}$是一个未知函数，也就是说$g$的形式未知，但能得到带有噪声的观测值，类似神经网络的黑箱子：

我们想要找到方程$g(w)=0$的根，RM算法迭代格式如下：
$$w_{k+1}=w_k-{\alpha }_k\tilde{g}(w_k,{\eta }_k)$$
其中，$w_k$是根的第$k$次迭代的估计值，$\tilde{g}(w_k,{\eta }_k)$是第$k$次迭代带有噪声的观测值，${\alpha }_k$是一个正系数，可以理解为步长.

算法的收敛性由如下定理进行保证：

Note:

• 这个算法要收敛，对函数的要求其实蛮高的，第一个条件要求$g$的导数为正且不能为+$\infty$，这就是说要求函数是单调递增的;
• 若函数单调递增，我们可以通过下图直观的了解算法是如何通过迭代找到根的，和牛顿法求根的思想很类似只不过牛顿法用到了函数导数的信息，比RM算法的要求更高，RM算法不需要函数导数的信息;
  
• 如果我们需要求一个优化问题$\min f$，可以转换为$g=\nabla f=0$这样的求根的问题，此时要求$\nabla g>0$，事实上是要求$f$的海瑟矩阵正定，即要求函数为凸函数，这和很对凸优化算法对函数的要求一样，只有当$f$为凸函数时，算法才能保证收敛性.
• （b）条件是要求步长为消失步长，常见的消失步长如$a_k=\frac{1}{k}$.
• （c）条件是对噪声的要求，要求噪声不能太离谱.

实例

下面我们通过RM算法来求$f(x)=x^3-5$的根，来加深一下对RM算法的理解，这里我通过传统方法Newton法和RM算法进行对比,代码如下：

import numpy as np 
# f(x) = x^3 - 5 
def f(x):
    return x**3 - 5

# Robbins-Monro algorithm
def robbins_monro(f, x0, max_iter):
    w = []
    w.append(x0)
    x = x0
    for i in range(max_iter):
        x = x - 1 / (i+5) * f(x)
        
        # stop if x is close to the root
        if np.abs(f(x)) < 1e-6:
            break
        w.append(x)
        
    return w

# newton's method
def newton(f, x0, max_iter):
    w = [x0]
    x = x0
    for i in range(max_iter):
        x = x - f(x) / (3 * x**2)
        
        # stop if x is close to the root
        if np.abs(f(x)) < 1e-6:
            break
        w.append(x)
    return w



w_1 = robbins_monro(f, 1, 1000)
w_2 = newton(f, 1, 1000)

# plot the iteration
import matplotlib.pyplot as plt
plt.figure(figsize=(8,5),dpi=150)
plt.plot(w_1)
plt.plot(w_2)
plt.xlabel('iteration')
plt.ylabel('x')
plt.legend(['Robbins-Monro', 'Newton'])
plt.show()

如上图所示，当初值选取合适时，RM算法和Newton算法都能收敛，不过通过选取不同的初值，我们可以发现当初值较远时，RM不会收敛，原因是$f(x)=x^3-5$不满足导数有界的条件，当初值不合适时就容易振荡，算法发散。而牛顿法相对来说就稳定很多，受初值的影响没有那么大，并且收敛速度更快。

二、期望估计

假设有一组样本$x_1,x_2,\cdots ,x_k$服从同一个分布，我们想要估计这组样本的均值，当然我们首先想到的是：
$$\mathbb{E}[X]=\frac{x_1+x_2+\cdots +x_k}{k}.$$但是在强化学习的某些算法中，我们不能一次性得到$n$个样本，每次得到一个采样，那么我们怎么用迭代的算法来估计这个期望呢？我们记
$$w_k=\frac{x_1+x_2+\cdots +x_k}{k},$$那么第$k+1$次估计值为：
$$\begin{array}{rl}{w}_{k+1}& =\frac{x_1+x_2+\cdots +x_k+x_{k+1}}{k+1}\\ & =\frac{x_1+x_2+\cdots +x_k}{k}\frac{k}{k+1}+\frac{x_{k+1}}{k+1}\\ & =\frac{k}{k+1}{w}_k+\frac{1}{k+1}{x}_{k+1}\\ & =w_k-\frac{1}{k+1}(w_k-x_{k+1}).\end{array}(1)$$
这样我们就把对均值的估计写成了迭代的形式，每次得到一个新的样本，我们不用对所有样本求和计算了。只需要在上一次的估计值上进行更新就行。

上面这个迭代格式是我们从样本均值的定义出发得到的，下面我们从RM算法出发来推导一下这个迭代格式，考察如下函数
$$\begin{array}{r}g(w)\doteq w-\mathbb{E}[X].\end{array}$$原始问题是获得$\mathbb{E}[X]$的值，那么我们可以转换为求$g(w)=0$的根。给定$w$的值，我们可以获得的噪声观察是$\tilde{g}\doteq w-x$，其中$x$是$X$的一个样本，注意，$\tilde{g}$可以写成
$$\begin{array}{rl}\tilde{g}(w,\eta )& =w-x\\ & \begin{array}{r}=w-x+\mathbb{E}[X]-\mathbb{E}[X]\end{array}\\ & =(w-\mathbb{E}[X])+(\mathbb{E}[X]-x)\doteq g(w)+\eta ,\end{array}$$所以此问题的RM算法为
$$w_{k+1}=w_k-{\alpha }_k\tilde{g}(w_k,{\eta }_k)=w_k-{\alpha }_k(w_k-x_k),$$当${\alpha }_k=\frac{1}{k+1}$时，我们就得到同（1）一样的迭代格式了，而且此时可以验证我们构造的函数以及选取的步长，满足收敛性条件，所以当$k\to \infty$时，$w_{k+1}\to \mathbb{E}[X]$.

三、参考资料

1. Zhao, S… Mathematical Foundations of Reinforcement Learning. Springer Nature Press and Tsinghua University Press.