强化学习的故事
强化学习是学习一个最优策略(policy),可以让本体(agent)在特定环境(environment)中,根据当前的状态(state),做出行动(action),从而获得最大回报(G or return)。
有限马尔卡夫决策过程
马尔卡夫决策过程理论定义了一个数学模型,可用于随机动态系统的最优决策过程。
强化学习利用这个数学模型将一个现实中的问题变成一个数学问题。
强化学习的故事1:找到最优价值
强化学习就是:追求最大回报G
追求最大回报G就是:找到最优的策略π∗π∗。
策略π∗π∗告诉在状态ss,应该执行什么行动aa。
最优策略可以由最优价值方法v∗(s)v∗(s)或者q∗(s,a)q∗(s,a)决定。
故事1的数学版
有限马尔卡夫决策过程的基本概念:
state 状态
action 行动
reward 奖赏
GtGt 回报
p(s′|s,a)p(s′|s,a) 表示在状态s下,执行行动a,状态变成s'的可能性。
p(s′,r|s,a)p(s′,r|s,a) 表示在状态s下,执行行动a,状态变成s',并获得奖赏r的可能性。
r(s,a)r(s,a) 在状态s下,执行行动a的期望奖赏。
r(s,a,s′)r(s,a,s′) 在状态s下,执行行动a,状态变成s'的期望奖赏。
ππ 策略ππ
π(s)π(s) 策略ππ,在状态s下,选择的行动。
π∗π∗ 最优策略
π(a|s)π(a|s) 随机策略在在状态s下,选择行动a的可能性。
vπ(s)vπ(s) 策略ππ的状态价值方法。
qπ(s,a)qπ(s,a) 策略ππ的行动价值方法。
v∗(s)v∗(s) 最优状态价值方法。
q∗(s,a)q∗(s,a) 最优行动价值方法。
强化学习的术语
学习任务可分为两类:
- 情节性任务(episodic tasks)
指(强化学习的问题)会在有限步骤下结束。比如:围棋。 - 连续性任务(continuing tasks)
指(强化学习的问题)有无限步骤。一个特征是:没有结束。比如:让一个立在指尖上的长棍不倒。(不知道这个例子好不好,我瞎编的。)
学习的方法:
- online-policy方法(online-policy methods)
评估的策略和优化的策略是同一个。 - offline-policy方法(offline-policy methods)
评估的策略和优化的策略不是同一个。意味着优化策略使用来自外部的模拟数据。
学习的算法:
- 预测算法(predication algorithms)
计算每个状态的价值v(s)v(s)。然后预测(可以得到最大回报的)最优行动。 - 控制算法(predication algorithms)
计算每个状态下每个行动的价值q(s,a)q(s,a)。
学习的算法:
- 列表方法(tabular methods)
指使用表格存储每个状态(或者状态-行动)的价值。 -
近似方法(approximation methods)
指使用一个函数来计算状态(或者状态-行动)的价值。 -
模型(model)
环境的模型。可以模拟环境,模拟行动的结果。
Dynamic Programming need a model。 -
基于模型的方法(model-base methods)
通过模型来模拟。可以模拟行动,获得(状态或者行动)价值。注:这个模拟叫做模型模拟。
-
无模型的方法(model-free methods)
使用试错法(trial-and-error)来获得(状态或者行动)价值。注:这个模拟叫做试错、试验、模拟等。
无模型的方法,可以用于有模型的环境。 - 引导性(bootstrapping)
(状态或者行动)价值是根据其它的(状态或者行动)价值计算得到的。 -
取样性(sampling)
(状态或者行动)价值,或者部分值(比如:奖赏)是取样得到的。
引导性和取样性并不是对立的。可以是取样的,并且是引导的。
强化学习算法的分类
强化学习的故事2:我们该用哪个方法?
如果有一个模型,可以获得价值函数v(s)v(s)或者q(s,a)q(s,a)的值 →→ 动态规划方法
如果可以模拟一个完整的情节 →→ 蒙特卡罗方法
如果需要在模拟一个情节中间就要学习策略 →→ 时序差分方法
λλ-return用来优化近似方法中的误差。
资格迹(Eligibility traces)用来优化近似方法中的,价值函数的微分。
预测方法是求状态价值方法v(s)v(s)或者v^(s,θ)v^(s,θ)。
控制方法是求行动价值方法q(s,a)q(s,a)或者(^q)(s,a,θ)(^q)(s,a,θ)。
策略梯度方法(Policy Gradient Methods)是求策略方法π(a|s,θ)π(a|s,θ)。
算法类别 | 需要模型 | 引导性 | 情节性任务 | 连续性任务 |
---|---|---|---|---|
动态规划方法 | Y | Y | - | - |
蒙特卡罗方法 | N | N | Y | N |
时序差分方法 | N | Y | Y | Y |
策略梯度方法 | N | Y | Y | Y |
算法列表
在每个算法中,后面的算法会更好,或者更通用一些。
4 动态规划(Dynamic Programming)
动态规划是基于模型的方法。
注:一个常见的考虑是将每个action的reward设为-1,期望的结果V(St)V(St)为0。
-
Iterative policy evaluation
使用随机策略π(a|s)π(a|s)来迭代计算v(s)v(s) -
Policy iteration (using iterative policy evaluation)
通过使用迭代策略π(s)π(s)来优化了计算v(s)v(s)部分。但是,还是使用了期望值。 -
Value iteration
优化了整个流程,直接用行动的最大回报作为v(s)v(s)的值。
5 蒙特卡罗方法(Monte Carlo Method)
-
First-visit MC policy evaluation (returns V≈vV≈v)
在每个情节中,记录状态ss第一个G。v(s)=avg(G(s))v(s)=avg(G(s)) -
Monte Carlo ES (Exploring Starts)
从一个特定起始点的蒙特卡罗方法。
变成了计算q(s,a)q(s,a)。 -
On-policy fi rst-visit MC control (for ϵϵ-soft policies)
在探索中使用了ϵϵ-soft策略。 -
Incremental off-policy every-visit MC policy evaluation
支持off-policy。 -
Off-policy every-visit MC control (returns π≈π∗π≈π∗)
使用了贪婪策略来支持off-policy。
6 时序差分方法(Temporal-Difference Learning)
时序差分方法的思想是:
- 在一个情节进行过程中学习。
比如:计算到公司的时间问题。早上晚起了10分钟,可以认为会比以往晚到10分钟。而不用完成从家到公司整个过程。 - 视为蒙特卡罗方法的通用化。蒙特卡罗方法是步数为完成情节的TD算法。
-
Tabular TD(0) for estimating vπvπ
计算v(s)v(s)的单步TD算法。 -
Sarsa: An on-policy TD control algorithm
计算q(s,a)q(s,a)的单步TD算法。 -
Q-learning: An off-policy TD control algorithm
是一个突破性算法。但是存在一个最大化偏差(Maximization Bias)问题。 -
Double Q-learning
解决了最大化偏差(Maximization Bias)问题。
7 多步时序差分方法
-
n-step TD for estimating V≈vπV≈vπ
计算v(s)v(s)的多步TD算法。 -
n-step Sarsa for estimating Q≈q∗Q≈q∗, or Q≈qπQ≈qπ for a given ππ
计算q(s,a)q(s,a)的多步TD算法。 -
Off-policy n-step Sarsa for estimating Q≈q∗Q≈q∗, or Q≈qπQ≈qπ for a given ππ
考虑到重要样本,把ρρ带入到Sarsa算法中,形成一个off-policy的方法。
ρρ - 重要样本比率(importance sampling ratio)ρ←∏i=τ+1min(τ+n−1,T−1)π(At|St)μ(At|St)(ρ(τ+1)τ+n)ρ←∏i=τ+1min(τ+n−1,T−1)π(At|St)μ(At|St)(ρτ+n(τ+1)) -
n-step Tree Backup for estimating Q≈q∗Q≈q∗, or Q≈qπQ≈qπ for a given ππ
Tree Backup Algorithm的思想是每步都求行动价值的期望值。
求行动价值的期望值意味着对所有可能的行动aa都评估一次。 -
Off-policy n-step Q(σ)Q(σ) for estimating Q≈q∗Q≈q∗, or Q≈qπQ≈qπ for a given ππ
Q(σ)Q(σ)结合了Sarsa(importance sampling), Expected Sarsa, Tree Backup算法,并考虑了重要样本。
当σ=1σ=1时,使用了重要样本的Sarsa算法。
当σ=0σ=0时,使用了Tree Backup的行动期望值算法。
8 基于模型的算法
这里的思想是:通过体验来直接优化策略和优化模型(再优化策略)。
-
Random-sample one-step tabular Q-planning
通过从模型中获取奖赏值,计算q(s,a)q(s,a)。 -
Tabular Dyna-Q
如果n=0n=0,就是Q-learning算法。Dyna-Q的算法的优势在于性能上的提高。
主要原因是通过建立模型,减少了执行行动的操作,模型学习到了Model(S,A)←R,S′Model(S,A)←R,S′。 -
Prioritized sweeping for a deterministic environment
提供了一种性能的优化,只评估那些误差大于一定值θθ的策略价值。
9 近似预测方法
预测方法就是求v(s)v(s)。
-
Gradient Monte Carlo Algorithm for Approximating v^≈vπv^≈vπ
蒙特卡罗方法对应的近似预测方法。 -
Semi-gradient TD(0) for estimating v^≈vπv^≈vπ
单步TD方法对应的近似预测方法。
之所以叫半梯度递减的原因是TD(0)和n-steps TD计算价值的公式不是精确的(而蒙特卡罗方法是精确的)。 -
n-step semi-gradient TD for estimating v^≈vπv^≈vπ
多步TD方法对应的近似预测方法。 -
LSTD for estimating v^≈vπv^≈vπ (O(n2) version)
10 近似控制方法
控制方法就是求q(s,a)q(s,a)。
-
Episodic Semi-gradient Sarsa for Control
单步TD的近似控制方法。(情节性任务) -
Episodic semi-gradient n-step Sarsa for estimating q^≈q∗q^≈q∗, or q^≈qπq^≈qπ
多步TD的近似控制方法。(情节性任务) -
Differential Semi-gradient Sarsa for Control
单步TD的近似控制方法。(连续性任务) -
Differential semi-gradient n-step Sarsa for estimating q^≈q∗q^≈q∗, or q^≈qπq^≈qπ
多步TD的近似控制方法。(连续性任务)
12 λλ-return和资格迹(Eligibility traces)
求权重向量θθ是通过梯度下降的方法。比如:
这里面,有三个元素:α,Gt,∇v^(St,θt)α,Gt,∇v^(St,θt)。每个都有自己的优化方法。
- αα是学习步长
要控制步长的大小。一般情况下步长是变化的。比如:如果误差δtδt变大了,步长要变小。 - GtGt的计算
可以通过本章的λλ - return方法。 -
∇v^(St,θt)∇v^(St,θt)
可以通过资格迹来优化。资格迹就是优化后的函数微分。
为什么要优化,原因是在TD算法中v^(St,θt)v^(St,θt)是不精确的。
GtGt也是不精确的。
λλ-return用来优化近似方法中的误差。
资格迹(Eligibility traces)用来优化近似方法中的,价值函数的微分。 -
Semi-gradient TD(λλ) for estimating v^≈vπv^≈vπ
使用了λλ-return和资格迹的TD算法。 -
True Online TD(λλ) for estimating θTϕ≈vπθTϕ≈vπ
Online TD(λλ)算法
13 策略梯度方法
策略梯度方法就是求π(a|s,θ)π(a|s,θ)。
策略梯度方法的新思路(Policy Gradient Methods)
-
REINFORCE, A Monte-Carlo Policy-Gradient Method (episodic)
基于蒙特卡罗方法的策略梯度算法。 -
REINFORCE with Baseline (episodic)
带基数的蒙特卡洛方法的策略梯度算法。 -
One-step Actor-Critic (episodic)
带基数的TD方法的策略梯度算法。 - Actor-Critic with Eligibility Traces (episodic)
这个算法实际上是:
- 带基数的TD方法的策略梯度算法。
- 加上资格迹(eligibility traces)
- Actor-Critic with Eligibility Traces (continuing)
基于TD方法的策略梯度算法。(连续性任务)