本系列強化學習內容來源自對David Silver課程的學習 課程鏈接http://www0.cs.ucl.ac.uk/staff/D.Silver/web/Teaching.html
在上一文介紹了RL基礎概念和MDP后，本文介紹了在model-free情況下（即不知道回報Rs和狀態轉移矩陣Pss'），如何進行prediction，即預測當前policy的state-value function v(s)從而得知此policy的好壞，和進行control，即找出最優policy（即求出q*(s, a)，這樣π*(a|s)就可以立刻知道了），
在prediction部分中，介紹了Monto Carlo(MC)，TD(0)，TD(λ)三種抽樣(sample)估計方法，這里λ的現實意義是隨機sample一個state，考慮其之后多少個state的價值，當λ=0即TD(0)時，只考慮下一個狀態；λ=1 時幾乎等同MC，考慮T-1個后續狀態即到整個episode序列結束；λ∈(0,1)時為TD(λ)，可以表示考慮后續非這兩個極端狀態的中間部分，即考慮后面n∈(1, T-1)個狀態，同時，prediction程序又分為online update和offline update兩部分，即使用當前π獲得下一個狀態的回報v(s')和優化policy π是否同時進行，
在control部分中，介紹了如何尋找最優策略的方法，即找到q*(s, a)，分成on-policy和off-policy兩部分，即沒有或者是參考了別人的策略（比如機器人通過觀察人的行為提出更好的行為），在on-policy部分，介紹了MC control、SARSA、SARSA(λ)三種方法，off-policy部分介紹了Q-learning的方法，
具體都會在下面正文介紹，
目錄：
一、model-free的prediction
1. Monto Carlo(MC) Learning
2. Temporal-Difference TD(0)
3. TD(λ)
二、model-free的control
1. on-policy的Monto Carlo(MC) control
2. on-policy的Temporal-Difference(TD) Learning - SARSA和SARSA(λ)
3. off-policy的Q-learning
一、model-free的prediction
Prediction 部分的內容，全部都不涉及action，因為是衡量當前policy的好壞，只需要估計出每個狀態的state-value function v(s)即可，上一文中介紹了使用Bellman Expectation Equation求得某個狀態v(s)的數學期望，可以用動態規劃DP進行遍歷全部狀態求得，但是這樣的效率是非常低的，下面介紹了兩種用sample采樣的方法獲取v(s)，
1. Monto Carlo(MC) Learning
Monto Carlo是一個經常會遇到的詞，它的核心思想是從狀態st出發隨機采樣sample至獲得很多個完整序列，可以獲得完整序列的實際收益，從而取平均值就是v(st)，需要注意的是，MC只能用于terminate的序列（complete）中，
在MC sample的程序中，每個狀態點值函式
，每次遍歷N(s)+=1，S(s)為總回報每次S(s)+=Gt,這里Gt表示第t次采樣獲得的回報，這樣當
時，
，所求的平均值V(s)就接近真實值Vπ(s)，在獲得完整序列的程序中，很可能會遇到環，即一個狀態點經過多次，對此MC有兩種處理方法，first step（只在第一次經過時N(s)+=1）和every step（每次經過這個點都N(s)+=1），
V(s)可以看做所有經過s的回報求和后取平均值產生，但是這個平均值計算不僅可以先求和再做除法，還可以通過在已有的平均值上加一點差值獲得，就是下面左式的形式，已有的平均值為V(St)，此次采樣獲得的回報為Gt，同當前平均值的差值為(Gt - V(St))，但這樣來看，需要一直維護一個N(s)計數器，可是，真正平均值優化時只需要知道一個優化的方向即可，所以用一個(0,1)常數α來代替1/N(St)，即下面右式的形式， α的現實意義是一個遺忘系數，即適當程度以往古老的采樣結果，不需要對所有sample出的序列都記得很清楚，
2. Temporal-Difference TD(0)
Monto Carlo采樣有一個很明顯的缺點，就是必須要sample出完整的序列才能觀測出這個序列得到的回報是多少，但是TD(0)這種方法就不需要，它利用Bellman Equation，當前狀態收益只和及時回報Rt+1和下一狀態收益有關（如下式），紅色部分為TD target，α右邊括號內為TD error，所以TD(0)只sample出下一個狀態點St+1，用已有的policy計算出Rt+1和V(St+1)，這種用已知來做估計的方法叫做bootstrapping(updates a guess towards a guess)，而MC是觀測的實際值取平均，是沒有bootstrapping的，由于TD(0)只需要sample出下一個狀態St+1，所以可以用于non-terminate序列中（incomplete），
同MC比較，TD(0)采用已有policy預測出TD error，和MC的實際值相比有更大的偏差，但是TD(0)只需要sample出下一個狀態序列而不是MC的完整序列，所以TF(0)預測獲得的方差比MC小，
具體對v(s)的計算舉例如下，進行8次sample，不考慮discount factor γ，下圖獲得的V(A)和V(B)分別是什么？
可以看出，無論是TD還是MC，v(B)都是取平均值計算出來的0.75；但是通過MC算出的V(A)是0，因為A只有一次sample結果是0，TD(0)算出來的是0.75，因為A的下一個狀態是B且V(B)=0.75, r=0，這一點來看，TD演算法更能夠利用Markov特性；TD(0)只sample下一個狀態點的結果，而不需要每次sample都要等到最終序列結束出結果，所以比MC更高效；但是由于是bootstrapping方法，受初始化值影響更大，擬合性也不如MC好，下圖顯示了計算期望全部遍歷的動態規劃DP演算法，sample采樣下一個狀態TD(0)演算法，和sample出完整序列T-1個狀態的MC演算法相互間的關系，但是在1和T-1之間的諸多點，也可以sample考慮，這就是更一般的表達TD(λ)，
3. TD(λ)
這里λ是一個∈[0,1]的實數，它決定了需要采樣之后的多少個狀態點St+n，n從1到無窮大的簡略表達如下左式，Gt(n)表示采樣到St+n時獲得的回報，那么如何綜合一下Gt(1)到Gt(n)的回報呢，這里給每一個Gt乘了一個系數(1-λ)λ^(n-1)，由于∑λ^n = 1/（1-λ），所以右式的∑=1，
這里Gtλ的系數表示如下圖所示，曲線下方的面積和為1，可以看出，每次權重都會削減成原來的λ倍（λ∈[0,1]），這樣很靠后的狀態權重就逐漸減小，可以達到減小λ減小n的效果，這里控制系數的實數λ就可以控制n，比如λ=0時，與TD(0)的函式表達相同，表示再往后采樣一個狀態St+1，λ=1時，每次不削減，表示采樣到最后相當于MC，
Temporal-Difference的sample分成了forward-view（下圖左）和backward-view（下圖右）兩部分，forward-view就是剛剛敘述的往后sample n個狀態點（受λ控制），是看未來的回報的 ，類似于MC只能用于complete的序列，backward-view卻可以用在incomplete的序列上，只需在sample的程序中，每一步更新都維護一個Eligibility Trace，記錄這個未完畢序列的資訊，最后成為對平均值更新的權重，
這里的Eligibility Trace（下面左式），類似于青蛙跳井，每跳一下會升高，不跳的話就逐漸掉下去，既結合了frequency heuristic（跳幾下），又結合了recency heuristic（什么時候跳的），而這里的“跳”，就相當于經過狀態所求點s，這樣backward-view的值函式更新就可以寫成下面右式的形式，當λ=0時，只有在經過s時Et(s)才為1，下面右式 結果同TD(0)表達相同；當λ=1時，整個序列中的每一個狀態點有eligibility trace值會被考慮，可以看做MC，每次值函式的更新既參考了TD-error（
）又參考了eligibility trace Et(s)，
Eligible Trace的函式可以看做如下的表示，縱軸表示積累的值橫軸表示時間，| 表示遇到狀態s的時刻點：
當λ=0，只在當前狀態做更新，下圖左式完全等同于TD(0)的下圖右式：
同時，TD(1)完全等同于MC（every-visit），下面式子可以看出，λ=1時，Et(s)=γ^t-k，連續的TD error求和，為
，即可看作一直sample出完整序列T-1的MC error，
當序列環境是offline update時，即所有sample程序中不改變policy，forward-view和backward-view相同（見下式，左邊可以化簡到右邊的形式），并且TD error可以化為λ-error的形式，
當序列環境是online update時，即邊sample邊優化policy，backward-view就會一直累積一個error，如下，所以如果訪問s多次，這個error就會變得很大，
總結的一個表格如下：
二、model-free的control
這里on-policy可以看做“learn on the job”，即對自己行為的反思優化；off-policy可以看做“look over someone‘s shoulder’”，即通過觀察其他agent的行為提出優化，
在尋找最優policy程序中，可以看做policy evaluation和policy improvement兩部分，一種最基礎的貪心演算法做improvement如下圖，每次V通過當前策略π做evaluation，之后策略π再greedy找尋更優的值函式對應狀態，這樣可以保證v和π最終都向最優V*和π*收斂，
下面介紹的幾種方法都是基于這個evaluation和improvement框架進行展開，只不過是model-free的，沒有狀態轉移矩陣P的相關值無法進行
的推導，所以只能用action-value函式q(s, a)，通過
對policy進行優化，
并且，對于下面介紹的sample方法進行policy evaluation來說，單純用greedy演算法并不準確，因為很可能某狀態在一個action下會有更高回報，可是正好沒有sample到這個更高回報值，該條路徑就會被忽略，陷入區域最優解，所以這里又提出使用ε-greedy代替絕對的greedy演算法（ε∈[0,1]），變得更soft，每次1-ε概率選擇所知最優的action，ε在所有action集合中隨機選擇，如下面左式，下面右式證明可得，采用ε-greedy獲得的Vπ'(s)≥Vπ(s)，整體向更優策略方向走，
很簡單的方法，但可以explore更大的state space，獲得更全域的最優解，
1. on-policy的Monto Carlo(MC) control
采用MC方法估計action-value function，然后使用ε-greedy做策略優化，但這里在原始MC control基礎上可以做優化，即每次不需要估計出很精確的qπ，只需要Q ≈ qπ即可，再在Q上做優化，仍舊是朝向著最優q*的方向前進的，
坑代填，，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/51634.html
標籤：其他
下一篇：L1和L2：損失函式和正則化