文章目录
TD learning 是蒙特卡罗思想和动态规划(DP)思想的结合。与蒙特卡罗方法一样,TD方法可以直接从原始经验中学习,而不需要环境动态模型。与DP一样,TD方法也会部分地基于其他已学习的评估来更新评估,而不需要等待最终结果(引导性:如果值函数是根据其它的价值计算的,就是引导性的)。
1、TD Prediction
TD方法和蒙特卡罗方法都是利用经验来解决预测问题。
蒙特卡罗方法:必须等到本次episode结束才能确定
V
(
S
t
)
V (S_t)
V(St) 的增量
TD(0)方法:只需要等待到下一个时间步,在t+1时刻,立即形成一个目标,并使用观察到的奖励
R
t
+
1
R_{t+1}
Rt+1 和估计
V
(
S
t
+
1
)
V (S_{t+1})
V(St+1)进行更新。
由于TD方法的更新部分基于现有的估计,所以说它是一种引导方法,就像DP一样。
注意TD(0)更新公式的括号中的量是一种误差,它衡量的是
S
t
S_t
St 的估计值与
R
t
+
1
+
γ
V
(
S
t
+
1
)
R_{t+1}+ \gamma V(S_{t+1})
Rt+1+γV(St+1) 估计值之间的偏差。把这部分称为 TD error:
同样,蒙特卡洛误差:
蒙特卡罗方法使用下面第一行等式的估计值作为目标,而DP方法以下面最后一行等式的估计值为目标。
算法:
TD Prediction Methods 的优点:
- 比DP方法好的第一个点是,不需要环境的模型,以及其奖励和下一个状态的概率分布。
- 是一种在线的、完全增量的方式实现。蒙特卡罗方法必须等到一个episode的结束才知道回报值,而TD方法只需要等待一个时间步长。
- 通常收敛速度比MC方法快。
2、Sarsa: On-Policy TD Control
在当前策略
π
\pi
π 下,对每个状态 s 和动作 a 估计
q
π
(
s
,
a
)
q_\pi(s,a)
qπ(s,a) 。一个episode室友一组状态和状态动作对交替组合在一起的:
保证状态值在TD(0)下收敛的定理也适用于相应的动作值算法:
Sarsa 算法:
3、Q-learning: Off-Policy TD Control
动作值函数的更新方式:
Q-learning 算法:
4、Expected Sarsa
考虑与Q-learning类似的学习算法,不同之处在于它使用的不是下一个状态-动作对的最大值,而是期望值,并考虑到当前策略下每个动作发生的可能性。使用更新规则的算法如下:
5、Maximization Bias and Double Learning
Q-learning和Sarsa都涉及目标策略构建的最大化。例如,在Q-learning中,目标策略是给定当前动作值的贪心策略,用max定义;在Sarsa中的策略通常是ε-greedy,也涉及到一个最大化操作。在这些算法中,最大值超过估计值被隐式地用作最大值的估计值,这会导致显著的正偏差。考虑一个状态s,其中有许多动作a,它们的真值q(s, a)都是零,但它们的估计值q(s, a)是不确定的,因此在零上和零下各有分布。真实值的最大值是零,但是估计值的最大值是正的,一个正的偏差。这个偏差称作 maximization bias。
Maximization Bias Example(下图):
- MDP有两个非终止态A和B,Episodes总是以A开始,在left和right两种动作之间做出选择。
- right 的动作立即转换到终止状态,并返回零。
- left的动作转移到B,也有一个零的奖励;从B开始有许多可能的动作,所有这些动作都导致立即终止,奖励服从从一个正态分布:均值 -0.1和方差1.0。
- 因此,从left开始的任何轨迹的期望回报都是-0.1,因此在状态A中选择left是一个错误的动作。
- 然而,我们的控制方法可能倾向于left,因为maximization bias使得B看起来有一个正的值。
- 使用Q-learning算法,可以发现最初强烈的倾向于left动作。
如何避免最大化偏差(Maximization Bias)问题?答案是使用 Double Q-learning。
更新公式:
Double Q-learning 算法:
6、Double Q-learning 算法代码实现
使用上面的 Q learning 算法中的代码,对其进行了修改:
1)maze环境
"""
Reinforcement learning maze example.
Red rectangle: explorer.
Black rectangles: hells [reward = -1].
Yellow bin circle: paradise [reward = +1].
All other states: ground [reward = 0].
This script is the environment part of this example.
The RL is in RL_brain.py.
View more on my tutorial page: https://morvanzhou.github.io/tutorials/
"""
import numpy as np
import time
import sys
if sys.version_info.major == 2:
import Tkinter as tk
else:
import tkinter as tk
UNIT = 40 # pixels
MAZE_H = 4 # grid height
MAZE_W = 4 # grid width
class Maze(tk.Tk, object):
def __init__(self):
super(Maze, self).__init__()
self.action_space = ['u', 'd', 'l', 'r']
self.n_actions = len(self.action_space)
self.title('maze')
self.geometry('{0}x{1}'.format(MAZE_H * UNIT, MAZE_H * UNIT))
self._build_maze()
def _build_maze(self):
self.canvas = tk.Canvas(self, bg='white',
height=MAZE_H * UNIT,
width=MAZE_W * UNIT)
# create grids
for c in range(0, MAZE_W * UNIT, UNIT):
x0, y0, x1, y1 = c, 0, c, MAZE_H * UNIT
self.canvas.create_line(x0, y0, x1, y1)
for r in range(0, MAZE_H * UNIT, UNIT):
x0, y0, x1, y1 = 0, r, MAZE_W * UNIT, r
self.canvas.create_line(x0, y0, x1, y1)
# create origin
origin = np.array([20, 20])
# hell
hell1_center = origin + np.array([UNIT * 2, UNIT])
self.hell1 = self.canvas.create_rectangle(
hell1_center[0] - 15, hell1_center[1] - 15,
hell1_center[0] + 15, hell1_center[1] + 15,
fill='black')
# hell
hell2_center = origin + np.array([UNIT, UNIT * 2])
self.hell2 = self.canvas.create_rectangle(
hell2_center[0] - 15, hell2_center[1] - 15,
hell2_center[0] + 15, hell2_center[1] + 15,
fill='black')
# create oval
oval_center = origin + UNIT * 2
self.oval = self.canvas.create_oval(
oval_center[0] - 15, oval_center[1] - 15,
oval_center[0] + 15, oval_center[1] + 15,
fill='yellow')
# create red rect
self.rect = self.canvas.create_rectangle(
origin[0] - 15, origin[1] - 15,
origin[0] + 15, origin[1] + 15,
fill='red')
# pack all
self.canvas.pack()
def reset(self):
self.update()
time.sleep(0.5)
self.canvas.delete(self.rect)
origin = np.array([20, 20])
self.rect = self.canvas.create_rectangle(
origin[0] - 15, origin[1] - 15,
origin[0] + 15, origin[1] + 15,
fill='red')
# return observation
return self.canvas.coords(self.rect)
def step(self, action):
s = self.canvas.coords(self.rect)
base_action = np.array([0, 0])
if action == 0: # up
if s[1] > UNIT:
base_action[1] -= UNIT
elif action == 1: # down
if s[1] < (MAZE_H - 1) * UNIT:
base_action[1] += UNIT
elif action == 2: # right
if s[0] < (MAZE_W - 1) * UNIT:
base_action[0] += UNIT
elif action == 3: # left
if s[0] > UNIT:
base_action[0] -= UNIT
self.canvas.move(self.rect, base_action[0], base_action[1]) # move agent
s_ = self.canvas.coords(self.rect) # next state
# reward function
if s_ == self.canvas.coords(self.oval):
reward = 1
done = True
s_ = 'terminal'
elif s_ in [self.canvas.coords(self.hell1), self.canvas.coords(self.hell2)]:
reward = -1
done = True
s_ = 'terminal'
else:
reward = 0
done = False
return s_, reward, done
def render(self):
time.sleep(0.1)
self.update()
2)Double Q-learning:
import numpy as np
import pandas as pd
from maze_env import Maze
class DoubleQLearningTable(object):
def __init__(self, action_space, alpha=0.01, gamma=0.9, epsilon=0.9):
self.actions = list(range(action_space))
self.alpha = alpha
self.gamma = gamma
self.epsilon = epsilon
self.Q1 = pd.DataFrame(columns=self.actions)
self.Q2 = pd.DataFrame(columns=self.actions)
def check_state_exist(self, s):
if s not in self.Q1.index:
self.Q1 = self.Q1.append(
pd.Series([0]*len(self.actions),
index=self.Q1.columns,
name=s)
)
if s not in self.Q2.index:
self.Q2 = self.Q2.append(
pd.Series([0]*len(self.actions),
index=self.Q2.columns,
name=s)
)
def choose_action(self, s):
# an ε-greedy policy for Double Q-learning could be based on the average (or sum)
# of the two action-value estimates.
self.check_state_exist(s)
if np.random.rand() < self.epsilon:
s_a = np.array(self.Q1.loc[s, :]) + np.array(self.Q2.loc[s, :])
temp = np.argwhere(s_a.max() == s_a)
action = np.random.choice(temp.flatten())
else:
action = np.random.choice(self.actions)
return action
def update(self, s, a, r, s_):
self.check_state_exist(s_)
if np.random.choice([0, 1]) == 0:
if s_ != 'terminal':
max_a = np.argmax(self.Q1.loc[s_, :])
q_target = r + self.gamma * self.Q2.loc[s_, max_a]
else:
q_target = r
self.Q1.loc[s, a] += self.alpha * (q_target - self.Q1.loc[s, a])
else:
if s_ != 'terminal':
max_a = np.argmax(self.Q2.loc[s_, :])
q_target = r + self.gamma * self.Q1.loc[s_, max_a]
else:
q_target = r
self.Q2.loc[s, a] += self.alpha * (q_target - self.Q2.loc[s, a])
if __name__ == '__main__':
env = Maze()
action_space_ = env.n_actions
RL = DoubleQLearningTable(action_space_)
for episode in range(100):
state = env.reset()
while True:
env.render()
action = RL.choose_action(str(state))
state_, reward, done = env.step(action)
RL.update(str(state), action, reward, str(state_))
state = state_
if done:
break
print('game over')
env.destroy()