第16章 强化学习

第16章 强化学习

16.1 任务与奖赏

强化学习任务通常用马尔可夫决策过程(Markov Decision Process,MDP)来描述：及其处于缓解E中，状态空间为X，其中每个状态$x\in X$是机器感知到缓解的描述，机器能采取的动作构成了动作空间A，若某个动作$a\in A$作用在当前状态$x$上，则潜在的转移函数$P$将使得环境从当前状态按某种概率转移到另一种状态。

在转移到另一个状态的同时，环境会根据潜在的奖赏(reward)函数$R$反馈给机器一个奖赏。

强化学习任务对应了四元组$E=⟨X,A,P,R⟩$，其中$P:X\times A\times X\to R$指定了状态转移概率；$R:X\times A\times X\to \mathbb{R}$指定了奖赏。

机器通过在环境中不断地尝试而学得一个策略$\pi$，根据这个策略，在状态$x$下就能得知要执行的动作$a=\pi \left(x\right)$。策略的两种表示方法：一种是将策略表示为函数$\pi :X\to A$，确定性策略常用这种表示；另一种是概率表示$\pi :X\times A\to \mathbb{R}$，随机性策略常用这种表示，$\pi \left(x,a\right)$为状态$x$下选择动作$a$的概率，这里必须有${\sum }_a^{}\pi \left(x,a\right)=1$

16.2 K-摇臂赌博机

16.2.1 探索与利用

欲最大化单步奖赏考虑：1、需要知道每个动作带来的奖赏；2、执行奖赏最大的动作

K-摇臂赌博机(K-armed bandit)：单步强化学习任务对应的理论模型

仅探索法：将所有的尝试机会平均分配给每个摇臂，最后以每个摇臂各自的平均吐币概率作为其奖赏期望的近似估计。

仅利用法：按下目前最优的摇臂，若有多个摇臂同时为最优，则从中随机选取一个。

16.2.2 $ϵ$-贪心

$ϵ$-贪心法基于概率来对探索和利用进行折中：每次尝试时，以$ϵ$的概率进行探索，以$1-ϵ$的概率进行利用。

令$Q\left(k\right)$记录摇臂$k$的平均奖赏。若摇臂$k$被尝试$n$次，得到的奖赏为$v_1,v_2,\dots ,v_n$，平均奖赏为

$$Q\left(k\right)=\frac{1}{n}\sum _{i=1}^n{v}_i$$

16.2.3 Softmax

Softmax算法基于当前已知的摇臂平均奖赏来对探索和利用进行折中。若个摇臂的平均奖赏相当，则选取各摇臂的概率也相当；若某些摇臂的平均奖赏明显高于其他摇臂，则它们被选取的概率也明显高。

Softmax算法中的摇臂概的分配是基于Boltzmann分布

$$P\left(k\right)=\frac{e^{\frac{Q\left(k\right)}{\tau }}}{{\sum }_{i=1}^K{e}^{\frac{Q\left(i\right)}{\tau }}}$$

其中$Q\left(i\right)$记录当前摇臂的平均奖赏

16.3 有模型学习

16.3.1 策略评估

令函数$V^{\pi }\left(x\right)$表示从状态$x$出发，使用策略$\pi$所带来的累积奖赏，函数$Q^{\pi }\left(x,a\right)$表示从状态$x$出发，执行动作$a$后再使用策略$\pi$所带来的累积奖赏。$V\left(.\right)$为状态值函数，Q$\left(.\right)$为状态-动作值函数。

由累积奖赏的定义，有状态值函数

$$\{\begin{array}{c}{V}_T^{\pi }\left(x\right)={\mathbb{E}}_{\pi }\left[\frac{1}{T}{\sum }_{i=1}^T{r}_t|x_0=x\right],T\\ V_{\gamma }^{\pi }\left(x\right)={\mathbb{E}}_{\pi }\left[{\sum }_{i=1}^{+\infty }{{\gamma }^{t}r}_{t+1}|x_0=x\right],\gamma \end{array}$$

令$x_0$表示起始状态，$a_0$表示起始状态上采取的第一个动作，对于T步累积奖赏，则有状态-动作值函数

$$\{\begin{array}{c}{Q}_T^{\pi }\left(x,a\right)={\mathbb{E}}_{\pi }\left[\frac{1}{T}{\sum }_{i=1}^T{r}_t|x_0=x,a_0=a\right]\\ Q_{\gamma }^{\pi }\left(x,a\right)={\mathbb{E}}_{\pi }\left[{\sum }_{i=1}^{+\infty }{{\gamma }^{t}r}_{t+1}|x_0=x,a_0=a\right]\end{array}$$

则T步累积奖赏有

$$V_T^{\pi }\left(x\right)={\mathbb{E}}_{\pi }\left[\frac{1}{T}\sum _{i=1}^T{r}_t|x_0=x\right]$$

$$={\mathbb{E}}_{\pi }\left[\frac{1}{T}{r}_1+\frac{T-1}{T}\frac{1}{T-1}\sum _{i=2}^T{r}_t|x_0=x\right]$$

$$=\sum _{a\in A}\pi \left(x,a\right)\sum _{x^{{}^{\prime }}\in X}{P}_{x\to x^{{}^{\prime }}}^a\left(\frac{1}{T}{R}_{x\to x^{{}^{\prime }}}^a+\frac{T-1}{T}{\mathbb{E}}_{\pi }\left[\frac{1}{T-1}\sum _{i=1}^{T-1}{r}_t|x_0=x^{\prime }\right]\right)$$

$$=\sum _{a\in A}\pi \left(x,a\right)\sum _{x^{{}^{\prime }}\in X}{P}_{x\to x^{{}^{\prime }}}^a\left(\frac{1}{T}{R}_{x\to x^{{}^{\prime }}}^a+\frac{T}{T-1}{V}_{T-1}^{\pi }\left(x^{{}^{\prime }}\right)\right)$$

类似的，对于$\gamma$折扣累积奖赏有

$$V_{\gamma }^{\pi }\left(x\right)=\sum _{a\in A}\pi \left(x,a\right)\sum _{x^{{}^{\prime }}\in X}{P}_{x\to x^{{}^{\prime }}}^a\left(R_{x\to x^{{}^{\prime }}}^a+\gamma V_{\gamma }^{\pi }\left(x^{{}^{\prime }}\right)\right)$$

则状态-动作值函数

$$\{\begin{array}{c}{Q}_T^{\pi }\left(x,a\right)={\sum }_{x^{{}^{\prime }}\in X}^{}{P}_{x\to x^{{}^{\prime }}}^a\left(\frac{1}{T}{R}_{x\to x^{{}^{\prime }}}^a+\frac{T}{T-1}{V}_{T-1}^{\pi }\left(x^{{}^{\prime }}\right)\right)\\ Q_{\gamma }^{\pi }\left(x,a\right)={\sum }_{x^{{}^{\prime }}\in X}^{}{P}_{x\to x^{{}^{\prime }}}^a\left(R_{x\to x^{{}^{\prime }}}^a+\gamma V_{\gamma }^{\pi }\left(x^{{}^{\prime }}\right)\right)\end{array}$$

16.3.2 策略改进

理想的策略响应能最大化累积奖赏

一个强化学习任务可能有多个最优策略，最优策略所对应的值函数$V^{\ast }$称为最优值函数，即

$$\forall x\in X:V^{\ast }\left(x\right)=V^{{\pi }^{\ast }}\left(x\right)$$

对累积奖赏进行改进

即改进后为

则最优状态-动作值函数

最优Bellman等式揭示了非最优策略的改进方式：将策略选择的动作改进为当前最优的动作。

16.3.3 策略迭代与值迭代

策略迭代(policy iteration)：从一个初始策略出发，先进行策略评估，然后改进策略，评估改进的策略，再进一步改进策略，……不断迭代进行测量评估和改进，直到测量收敛、不再改变为止。

则值函数的改进为

16.4 免模型学习

免模型学习(model-free learning)：若学习算法不依赖于环境建模

16.4.1 蒙特卡罗强化学习

同策略蒙特卡罗强化学习算法

算法中奖赏均值采用增量式计算，每采样出一条轨迹，就根据该轨迹涉及的所有状态-动作对来对值函数进行更新

函数$f$在概率分布$p$的期望可表达为

$$\mathbb{E}\left[f\right]={\int }_x^{}p\left(x\right)f\left(x\right)\text{dx}$$

可通过从概率分布$p$上的采样 { x 1 , x 2 , … , x m } \left\{ x_{1},x_{2},\ldots,x_{m} \right\} {x1​,x2​,…,xm​}来估计$f$的期望，即

$$\hat{\mathbb{E}}\left[f\right]=\frac{1}{m}\sum _{i=1}^{m}f\left(x\right)$$

若引入另一个分布$q$,则函数$f$在概率分布$p$下的期望为

$$\mathbb{E}\left[f\right]={\int }_x^{}q\left(x\right)\frac{p\left(x\right)}{q\left(x\right)}f\left(x\right)\text{dx}$$

上式可看作$\frac{p\left(x\right)}{q\left(x\right)}f\left(x\right)$在分布$q$下的期望，因此通过在$q$上的采样$\left\{x_1^{{}^{\prime }},x_2^{{}^{\prime }},\dots ,x_m^{{}^{\prime }}\right\}$可估计为

$$\hat{\mathbb{E}}\left[f\right]=\frac{1}{m}\sum _{i=1}^m\frac{p\left(x_i^{{}^{\prime }}\right)}{q\left(x_i^{{}^{\prime }}\right)}f\left(x_i^{{}^{\prime }}\right)$$

对累积奖赏估计期望

$$Q\left(x,a\right)=\frac{1}{m}\sum _{i=1}^m{R}_i$$

其中$R_i$表示第$i$条轨迹上自状态$x$至结束的累积奖赏。

若改用策略${\pi }^{{}^{\prime }}$的采样轨迹来评估策略$\pi$，则仅需对累积奖赏加权，即

$$Q\left(x,a\right)=\frac{1}{m}\sum _{i=1}^m\frac{P_i^{\pi }}{P_i^{{\pi }^{{}^{\prime }}}}{R}_i$$

其中$P_i^{\pi }$和$P_i^{{\pi }^{{}^{\prime }}}$分别表示两个策略产生第$i$条轨迹的概率

对于给定的一条轨迹$⟨x_0,a_0,r_1,\dots ,x_{T-1},a_{T-1},r_T,x_T⟩$，策略$\pi$产生该轨迹的概率为

$$P^{\pi }=\prod _{i=0}^{T-1}\pi \left(x_i,a_i\right)P_{x_i\to x_{i+1}}^{a_i}$$

两个策略概率的比值

$$\frac{P^{\pi }}{P^{{\pi }^{{}^{\prime }}}}=\prod _{i=0}^{T-1}\frac{\pi \left(x_i,a_i\right)}{{\pi }^{{}^{\prime }}\left(x_i,a_i\right)}$$

16.4.2 时序差分学习

时序差分学习(Temporal Difference,TD)：结合了动态规划与蒙特卡罗方法的思想，能做到更高效的免模型学习。

蒙特卡罗强化学习算法的本质：通过多次尝试后求平均作为期望累积奖赏的近似，但它在求平均时是批处理式进行的，即在一个完整的采样轨迹完成后再对所有的状态-动作对进行更新。

16.5 值函数近似

表格值函数(tabular value function)：值函数能表示为一个数值，输入$i$对应的函数值就是数值元素$i$的值，且更改一个状态上的值不会影响其他状态上的值。

假定状态空间为n维实数空间$X={\mathbb{R}}^n$，值函数能表达为状态的线性函数

$$V_{\theta }\left(x\right)={\theta }^{T}x$$

其中$x$为状态向量，$\theta$为参数向量。

值函数尽可能近似真实值函数$V^{\pi }$，用最小二乘误差来度量

$$E_{\theta }={\mathbb{E}}_{x\sim \pi }\left[{\left(V^{\pi }\left(x\right)-V_{\theta }\left(x\right)\right)}^2\right]$$

其中${\mathbb{E}}_{x\sim \pi }$表示由策略$\pi$所采样而得的状态上的期望。

为了使误差最小化，采用梯度下降法，对误差求负导数

$$-\frac{\partial E_{\theta }}{\partial \theta }={\mathbb{E}}_{x\sim \pi }\left[2\left(V^{\pi }\left(x\right)-V_{\theta }\left(x\right)\right)\frac{\partial V_{\theta }\left(x\right)}{\partial \theta }\right]={\mathbb{E}}_{x\sim \pi }\left[2\left(V^{\pi }\left(x\right)-V_{\theta }\left(x\right)\right)x\right]$$

可得到对应单样本的更新规则

$$\theta =\theta +\alpha \left(V^{\pi }\left(x\right)-V_{\theta }\left(x\right)\right)x$$

基于$V^{\pi }\left(x\right)=r+\gamma V^{\pi }\left(x^{{}^{\prime }}\right)$用当前估计的值函数代替真实值函数，即

$$\theta =\theta +\alpha V_{\theta }\left(r+\gamma V_{\theta }\left(x^{{}^{\prime }}\right)-V_{\theta }\left(x\right)\right)x=\theta +\alpha \left(r+\gamma x^{{}^{\prime }}-{\theta }^{T}x\right)x$$

其中$x^{{}^{\prime }}$是下一时刻的状态

16.6 模仿学习

16.6.1 直接模仿学习

直接模仿学习：直接模仿人类专家的状态-动作对可环境多步决策。

假定获得一批人类专家的决策轨迹数据 { τ 1 , τ 2 , … , τ m } \left\{ \tau_{1},\tau_{2},\ldots,\tau_{m} \right\} {τ1​,τ2​,…,τm​}，每条轨迹包含状态和动作序列

$${\tau }_i=⟨s_1^i,a_1^i,s_2^i,a_2^i,\dots ,s_{n_i+1}^i⟩$$

其中$n_i$为第$i$条轨迹中的转移次数。

将所有轨迹上的所有状态-动作对抽取，构造出一个新的数据集合

$$D=\left\{\left(s_1,a_1\right),\left(s_2,a_2\right),\dots ,\left(s_{{\sum }_{i=1}^m{n}_i},a_{{\sum }_{i=1}^m{n}_i}\right)\right\}$$

然后对这个新构造出的数据集合D使用分类或回归算法即可学得策略模型。学得的这个策略模型可作为机器进行强化学习的初始策略，再通过强化学习方法基于环境反馈进行改进，从而获得更好的策略。

16.6.2 逆强化学习

寻找某种奖赏函数使得范例数据是最优的，然后即可使用这个奖赏函数来训练强化学习策略。

假设奖赏函数能表达为状态特征的线性函数，即$R\left(x\right)={\omega }^{T}x$。于是策略$\pi$的累积奖赏为

$${\rho }^{\pi }=\mathbb{E}\left[\sum _{t=0}^{+\infty }{\gamma }^{t}R\left(x_t\right)|\pi \right]=\mathbb{E}\left[\sum _{t=0}^{+\infty }{\gamma }^t{\omega }^T{x}_t|\pi \right]={\omega }^T\mathbb{E}\left[\sum _{t=0}^{+\infty }{\gamma }^t{x}_t|\pi \right]$$

即状态向量加权和的期望与系数$\omega$的内积。

将状态向量的期望$\mathbb{E}\left[{\sum }_{t=0}^{+\infty }{\gamma }^t{x}_t|\pi \right]$简写为${\overline{x}}^{\pi }$,将每条范例轨迹上的状态加权求和再平均，记为${\overline{x}}^{\ast }$。对于最优奖赏函数$R\left(x\right)={\omega }^{\ast T}x$和任意其他策略产生的${\overline{x}}^{\pi }$，有

$${\omega }^{\ast T}{\overline{x}}^{\ast }-{\omega }^{\ast T}{\overline{x}}^{\pi }={\omega }^{\ast T}\left({\overline{x}}^{\ast }-{\overline{x}}^{\pi }\right)\ge 0$$

若能对所有策略计算出$\left({\overline{x}}^{\ast }-{\overline{x}}^{\pi }\right)$，即可解出：