[Reinforcement Learning] Model-Free Prediction

[Reinforcement Learning] Model-Free Prediction

蒙特卡洛学习

蒙特卡洛方法（Monte-Carlo Methods，简称MC）也叫做蒙特卡洛模拟，是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。其实本质就是，通过尽可能随机的行为产生后验，然后通过后验来表征目标系统。

在Model-Free的情况下，MC在强化学习中的应用就是获取价值函数，其特点如下：

• MC 可以从完整的 episodes 中学习（no bootstrapping）
• MC 以均值来计算价值，即 value = mean(return)
• MC 只能适用于 episodic MDPs（有限MDPs）

在获得完整序列的过程中，很可能会遇到环，即一个状态点经过多次，对此MC有两种处理方法，first step（只在第一次经过时N(s)+=1）和every step（每次经过这个点都N(s)+=1）。

V(s)可以看做所有经过s的回报求和后取平均值产生。但是这个平均值计算不仅可以先求和再做除法，还可以通过在已有的平均值上加一点差值获得，就是下面左式的形式，已有的平均值为V(St)，此次采样获得的回报为Gt，同当前平均值的差值为(Gt - V(St))

但这样来看，需要一直维护一个N(s)计数器，可是，真正平均值优化时只需要知道一个优化的方向即可，所以用一个(0,1)常数α来代替1/N(St)，即下面右式的形式。 α的现实意义是一个遗忘系数，即适当程度遗忘古老的采样结果，不需要对所有sample出的序列都记得很清楚。

时序差分学习

Monto Carlo采样有一个很明显的缺点，就是必须要sample出完整的序列才能观测出这个序列得到的回报是多少。但是TD(0)这种方法就不需要，它利用Bellman Equation，当前状态收益只和及时回报Rt+1和下一状态收益有关（如下式），红色部分为TD target，α右边括号内为TD error。所以TD(0)只sample出下一个状态点St+1，用已有的policy计算出Rt+1和V(St+1)，这种用已知来做估计的方法叫做bootstrapping(updates a guess towards a guess)，而MC是观测的实际值取平均，是没有bootstrapping的。由于TD(0)只需要sample出下一个状态St+1，所以可以用于non-terminate序列中（incomplete）。

同MC比较，TD(0)采用已有policy预测出TD error，和MC的实际值相比有更大的偏差，但是TD(0)只需要sample出下一个状态序列而不是MC的完整序列，所以TF(0)预测获得的方差比MC小

可以看出，无论是TD还是MC，v(B)都是取平均值计算出来的0.75；但是通过MC算出的V(A)是0，因为A只有一次sample结果是0，TD(0)算出来的是0.75，因为A的下一个状态是B且V(B)=0.75, r=0。这一点来看，TD算法更能够利用Markov特性；TD(0)只sample下一个状态点的结果，而不需要每次sample都要等到最终序列结束出结果，所以比MC更高效；但是由于是bootstrapping方法，受初始化值影响更大，拟合性也不如MC好。

时序差分方法（Temporal-Difference Methods，简称TD）特点：

• TD 可以通过 bootstrapping 从非完整的 episodes 中学习
• TD updates a guess towards a guess

从上图可以看出，当 n 达到终止时，即为一个episode，此时对应的方法为MC，因此从这个角度看，MC属于TD的特殊情况

n步奖赏

Forward-view TD(λ)的特点：

• Update value function towards the λ-return
• Forward-view looks into the future to compute GλtGtλ
• Like MC, can only be computed from complete episodes

Backward View TD(λ)

• Forward view provides theory
• Backward view provides mechanism
• Update online, every step, from incomplete sequences

MC与TD优缺点

学习方式

• TD 可以在知道最后结果之前学习（如上图举例）
  • TD can learn online after every step
  • MC must wait until end of episode before return is known
• TD 可以在不存在最后结果的情况下学习（比如无限/连续MDPs）
  • TD can learn from incomplete sequences
  • MC can only learn from complete sequences
  • TD works in continuing (non-terminating) environments
  • MC only works for episodic (terminating) environments

方差与偏差

• MC has high variance, zero bias（高方差，零偏差）
  • Good convergence properties
  • Not very sensitive to initial value
  • Very simple to understand and use
• TD has low variance, some bias（低方差，存在一定偏差）
  • Usually more efficient than MC
  • TD(0) converges to v**π(s)vπ(s)
  • More sensitive to initial value

Bootstrapping vs. Sampling

Bootstrapping：基于已预测的值进行更新

• DP bootstraps
• MC does not bootstrap
• TD bootstraps

Sampling：基于采样的期望来更新

• DP does not sample（model-based methods don’t need sample）
• MC samples（model-free methods need sample）
• TD samples（model-free methods need sample）

下图从宏观的视角显示了 RL 的几种基本方法的区别：

on’t need sample）

• MC samples（model-free methods need sample）
• TD samples（model-free methods need sample）

下图从宏观的视角显示了 RL 的几种基本方法的区别：