前言: 学习了 Sutton 的《强化学习(第二版)》第6章时序差分学习的控制部分,将笔记提炼如下。
笔者阅读的是中文书籍,所提到的公式,笔者将给出其在英文书籍上的页码。英文书籍见 Sutton 个人主页:
http://incompleteideas.net/book/the-book.html
本次笔记内容:
- 6.4 Sarsa:同轨策略下的时序差分控制
- 6.5 Q 学习:离轨策略下的时序差分控制
- 6.6 期望 Sarsa
- 6.7 最大化偏差与双学习
- 6.8 游戏、后位状态和其他特殊例子
- 6.9 本章小结
在上一次笔记中,我们讨论了 动态规划( Dynamic Programming, DP )、蒙特卡洛方法( Monte Carlo Method, MC )与时序差分学习( Temporal Difference Learning, TD )的异同,以及时序差分学习中的预测算法。本次笔记中我们讨论其控制部分算法,其概述如下。
- Sarsa 是同轨策略下的时序差分控制,;
- Q-learning 是离轨策略下的时序差分控制;
- 期望 Sarsa 的表现比上述二者表现都更好( van Hasselt, 2011),并且被称为“广义 Q 学习”;
- 然而,单纯的最大化操作带来了“最大化偏差”,因此我们提出“双学习”来消除“最大化偏差”;
- 此外,我们还引出了如“后位状态”的概念,没有具体讨论。
书中展示了4段实例, Zhang 都有相应代码进行实现,分别介绍如下知识点:
- 有风的网格世界(Example 6.5: Windy Gridworld)介绍 Sarsa 的性能;
- 在悬崖边行走(Example 6.6: Cliff Walking)对比了基于 ϵ \epsilon ϵ-贪心方法的 Sarsa 与 Q-learning 的控制效果;
- 接着,在介绍 期望 Sarsa 时也使用了 Cliff Walking 实例对其效果进行展示;
- 最大化偏差实例(Example 6.7: Maximization Bias Example)用于表达:双 Q 学习优于 Q 学习。
我对其代码进行了标注,请见https://github.com/PiperLiu/Reinforcement-Learning-practice-zh/blob/master/practice/05-02-Temporal-Difference-Control.ipynb。并且,我还由代码及实验结果,复述了我对于书上提出的算法对比特性的理解。
Sarsa
基于同轨策略,其更新公式为:
Q ( S t , A t ) ← Q ( S t , A t ) + α [ R t + 1 + γ Q ( S t + 1 , A t + 1 ) − Q ( S t , A t ) ] Q(S_t,A_t) \leftarrow Q(S_t,A_t) + \alpha [ R_{t+1} + \gamma Q( S_{t+1}, A_{t+1} ) - Q_(S_t , A_t ) ] Q(St,At)←Q(St,At)+α[Rt+1+γQ(St+1,At+1)−Q(St,At)]
可以看出与之前“时序差分预测”中的价值预测公式很像。
如果 S t + 1 S_{t+1} St+1 是终止状态,那么 Q ( S t + 1 , A t + 1 Q( S_{t+1}, A_{t+1} Q(St+1,At+1则定义为0。这个公式用到了元组 ( S t , A t , R t + 1 , S t + 1 , A t + 1 ) (S_t,A_t,R_{t+1},S_{t+1},A_{t+1}) (St,At,Rt+1,St+1,At+1),因此该算法命名为 Sarsa 。
Sarsa 想要以1的概率收敛到最优的策略和动作价值函数,需要满足2个条件:
- 所有的“状态-动作”二元组都被无限多次访问到;
- 贪心策略在极限情况下能够收敛(收敛过程可以通过令 ϵ = 1 / t \epsilon = 1/t