Multi-armed Bandits

Multi-armed Bandits(多臂老虎机问题)

参考链接：强化学习系列（二）：Multi-armed Bandits(多臂老虎机问题）

一、问题描述

先放一张slot machine的图片😏

1.arm指拉杆，bandit是arm的集合：
bandit=arm1,arm2,…,armk
2.假设 t 时刻我们选择动作为At, 对应的奖励为Rt, 则t时刻的任意action a 的期望奖励（value）可以表示为 q∗(a)=E[Rt|At=a]
3.但这个式子我们并不知道确切的值，因此只能通过多次测试产生相应action的估计价值（estimated value）Q_t(a)，让Q_t(a)尽可能接近q_*(a)，然后根据Q_t(a)选择具有最大奖励value的行为a。

二、Action-value function

1.sample-average采样平均法

2.greedy与 ϵ-greedy

贪心策略。两个的区别在于有没有考虑对环境的exploration。

三、Incremental Implementation 增量式实现

1.迭代思想推导出增量式的求解方法，该方法仅耗费固定大小的内存，且可以单步更新。
2.推导过程👇

这样每次只需要存储 Qn和n，就可以算出新的reward。这种方式称为增量式求解。
3.伪代码

过程可以简写为：
NewEstimate←OldEstimate+StepSize [Target–OldEstimate]

四、针对非固定性问题

1.如果随着时间变化，bandits所获得的reward也在变化，那么需要引入当前reward的权重，引入一种比较性，以表示对当前reward影响的重视。
2.推导公式——exponential recency-weighted average 指数近期加权平均

五、最优化初始值 optimistic initial values

这部分有点不太明白……
最优化初始值对exploration的驱动是短期且固有的。

六、Upper-Condience-Bound 动作选取

1.ϵ-greedy在随机选择action时无差别的对待每个action，如果在随机选择action时考虑每个action的隐含属性有利于找到最优action。
2.隐函属性一般包括：与最大值的接近度、估计错误率
3.upper-condience-bound是一种常用的action选取方法

4.UCB的局限性

• 解决不确定性uncertainty问题比较难
• 不适用于状态空间较大的问题，尤其是使用逼近函数的问题中
  

七、Gradient Bendit Algorithms

1.是一种通过偏好H_t(a)选取action的方法
2.偏好越大，越经常被选择
3.偏好和reward没有直接关系，偏好通过相对大小影响action的选择概率
4.公式

八、总结

4种用于平衡exploration和exploitation的方法：

1. ϵ-greedy （在强化学习中应用广泛）
2. UCB方法（通过增加出现次数少的action的选择概率来增强Exploration，UCB不容易扩展到一般强化学习中）
3. Gradient Bendit Algorithms（不依据价值估计来选取动作，通过action偏好来选择action）
4. optimistic initial values（不能用于非固定性问题中）