强化学习读书笔记 - 03 - 有限马尔科夫决策过程

强化学习读书笔记 - 03 - 有限马尔科夫决策过程

学习笔记:
Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016

代理-环境接口(The agent-environment interface)

代理(agent) - 学习者或者决策者
环境(environment) - 代理外部的一切,代理与之交互。

情节性任务(Episodic Tasks)和连续任务(Continuing Tasks)

情节性任务(Episodic Tasks),所有的任务可以被可以分解成一系列情节。逻辑上,可以看作为有限步骤的任务。
连续任务(Continuing Tasks) ,所有的任务不能分解。可以看作为无限步骤任务。

马尔科夫属性(The Markov property)

state - 马尔科夫属性,表示当前环境的状态。
举个例子:一个国际象棋的state可能包含:棋盘上所有棋子的位置,上一步的玩家,上一步的走法。

看看下面的公式:
这个公式在计算下一步(状态是\(s'\)、奖赏是\(r\))的概率。
并说明这个概率是由至今为止所有的状态\(S*\),行动\(A*\)和奖赏\(R*\)决定的。
\[ Pr\{s_{t+1} = s', R_{t+1} = r | S_0, A_0, R_1, S_1, A_1, \dots, R_t, S_t, A_t \} \\ \]

如果,我们有马尔科夫属性state,有了现在环境的所有状态,那么上面的公式可以简化为:
这个公式的含义是下一步(状态是\(s'\)、奖赏是\(r\))的概率是由马尔科夫属性\(s\)和行动\(a\)决定的
\[ p(s', r | s, a) = Pr \{S_{t+1} = s', R_{t+1} = r | S_t = s, A_t = a \} \]

马尔科夫决策过程 - 数学模型

马尔科夫决策过程是一个强化学习问题的数学描述模型。
这个数学模型可以从几个视图来学习。

  • 状态(state)-行动(action)-奖赏(reward)视图
  • 目标(goal)-奖赏(reward)视图
  • 决策过程视图
  • 策略(policy)视图

状态(state)-行动(action)-奖赏(reward)视图

Markov Decision Processes - Terms Markov Decision Processes - Terms state s (state) state1 s' (state) state->state1                  r (reward) a (action)

这是一个马尔科夫抉择过程的基本视图。
描述agent在状态\(s\)下,选择了行动\(a\),状态变为\(s'\),获得了奖赏\(r\)
这个很容易理解,说明奖赏是行动引起状态转变后得到的。
举个特殊例子:天上掉馅饼的过程:行动是等待;新状态是获得馅饼。

目标(goal)-奖赏(reward)视图

Markov Decision Processes - Goal Markov Decision Processes - Goal S2 ... S_t S_t S2->S_t S_t_1 S_t+1 S_t_2 ... S_t_1->S_t_2     R_t+2 A_t+1 S0 S0 S1 S1 S0->S1 R1 A0 S1->S2 R2 A1 S_t->S_t_1     R_t+1 A_t

奖赏假设(reward hypothesis) - 目标就是:最大化长期累计奖赏的期望值。
注:不是立即得到的奖赏。
回报\(G_t\)
\[ G_t \doteq \sum_{k=0}^{\infty} \gamma^k R_{t+k+1} \\ where \\ \gamma \text{ - is a parameter, discount rate, } 0 \leqslant \gamma \leqslant 1 \]
\(\gamma\)折扣率决定了未来奖赏的当前价值:
在k步之后的一个奖赏,如果换算成当前奖赏,需要乘以它的\(\gamma^{k-1}\)倍。

情节性任务(episodic tasks)的回报计算
\[ G_t \doteq \sum_{k=0}^{T-t-1} \gamma^k R_{t+k+1} \quad (T = \infty \text{ or } \gamma = 1 \text{ (but not both)}) \\ where \\ T \ne \infty \text{ - case of episodic tasks} \\ T = \infty \text{ - case of continuing tasks} \]

决策过程视图

Reinforcement Learning - Markov Decision Processes Reinforcement Learning - Markov Decision Processes s s a s->a  a    a_2 s->a_2  a_2    s_1 s' s_2 s_2' r a->r p(s'|s,a) r_3 a->r_3 p(s_2'|s,a) r_4 a_2->r_4     r->s_1 p(s',r|s,a),r r->s_1 p(s',r'|s,a),r' r' r_3->s_2     r_4->s_1    

上图说明了:

  1. 状态\(s\)下,采取行动\(a\),转变成新状态\(s'\),是由概率\(p(s' | s, a)\)决定的。
  2. 状态\(s\)下,采取行动\(a\),转变成新状态\(s'\),获得的奖赏\(r\),是由概率\(p(s', r | s, a)\)决定的。
  3. 引起状态\(s\)到状态\(s'\)的转变行动,不一定是唯一的。

相应的数学定义和公式

在状态\(s\)下,执行行动\(a\),转变为状态\(s'\)并获得奖赏\(r\)的可能性:
\[ p(s', r | s, a) \doteq Pr \{S_{t+1} = s', R_{t+1} = r | S_t = s, A_t = a \} \]

在状态\(s\)下,执行行动\(a\)的期望奖赏:
\[ r(s,a) \doteq \mathbb{E}[R_{t+1} | S_t = s, A_t = a] = \sum_{r \in \mathcal{R}} r \sum_{s' \in \mathcal{S}} p(s', r|s,a) \]

在状态\(s\)下,执行行动\(a\),转变为状态\(s'\)的可能性:
\[ p(s' | s,a) \doteq Pr \{S_{t+1} = s' | S_t=s, A_t=a \} = \sum_{r \in \mathcal{R}} p(s',r | s,a) \]

在状态\(s\)下,执行行动\(a\),转变为状态\(s'\)的期望奖赏:
\[ r(s,a,s') \doteq \mathbb{E}[R_{t+1} | S_t = s, A_t = a, S_{t+1} = s'] = \frac{\sum_{r \in \mathcal{R}} r p(s',r|s,a)}{p(s'|s,a)} \]

策略视图

强化学习的目标是找到(可以获得长期最优回报)的最佳策略。

\(\pi\) - 策略(policy)。
\(\pi\) - 策略(policy)。强化学习的目标:找到最优策略
策略规定了状态\(s\)时,应该选择的行动\(a\)
\[ \pi = [\pi(s_1), \cdots, \pi(s_n)] \]
\(\pi(s)\) - 策略\(\pi\)在状态\(s\)下,选择的行动。
\(\pi_*\) - 最优策略(optimal policy)。
\(\pi(a | s)\) - 随机策略\(\pi\)在状态\(s\)下,选择的行动\(a\)的概率。

价值方法(Value Functions)

使用策略\(\pi\),状态价值方法 - state-value function
\[ v_{\pi}(s) \doteq \mathbb{E}[G_t | S_t = s] = \mathbb{E}_{\pi} \left [ \sum_{k=0}^{\infty} \gamma^k R_{t+k+1} | S_t = s \right ] \\ where \\ \pi \text{ - polity} \\ \mathbb{E}_{\pi}[\cdot] \text{ - the expected value of a value follows policy } \pi \]

使用策略\(\pi\),行动价值方法 - action-value function
\[ q_{\pi}(s,a) \doteq \mathbb{E}[G_t | S_t = s, A_t = a] = \mathbb{E}_{\pi} \left [ \sum_{k=0}^{\infty} \gamma^k R_{t+k+1} | S_t = s, A_t = a \right ] \\ \]

使用策略\(\pi\),迭代状态价值方法 - iterative state-value function
a.k.a Bellman equation for \(v_{\pi}\)

\[ \begin{align} v_{\pi}(s) & \doteq \mathbb{E}[G_t | S_t = s] \\ & = \mathbb{E}_{\pi} \left [ \sum_{k=0}^{\infty} \gamma^k R_{t+k+1} | S_t = s \right ] \\ & = \mathbb{E}_{\pi} \left [ R_{t+1} + \gamma\sum_{k=0}^{\infty} \gamma^k R_{t+k+2} | S_t = s \right ] \\ & = \sum_{a} \pi(a|s) \sum_{s'} \sum_{r} p(s',r|s,a) \left [ r + \gamma\mathbb{E}_{\pi} \left [ \sum_{k=0}^{\infty} \gamma^k R_{t+k+2} | S_{t+1} = s' \right ] \right ] \\ & = \sum_{a} \pi(a|s) \sum_{s',r} p(s',r|s,a) \left [ r + \gamma v_{\pi}(s') \right ], \ \forall s \in \mathcal{S} \end{align} \]

最优价值方法(Optimal Value Functions)

最优状态价值方法 - optimal state-value function
\[ v_*(s) \doteq \underset{\pi}{max} \ v_{\pi}(s), \forall s \in \mathcal{S} \]

最优行动价值方法 - optimal action-value function
\[ q_*(s, a) \doteq \underset{\pi}{max} \ q_{\pi}(s, a), \ \forall s \in \mathcal{S} \ and \ a \in \mathcal{A}(s) \]

最优的行为价值等于最优的状态价值下的最大期望:
\[ q_*(s,a) = \mathbb{E}[R_{t+1} + \gamma v_* (S_{t+1}) \ | \ S_t = s, A_t = a] \]

最优状态价值迭代方法 - interval optimal state-value function
\[ \begin{align} v_*(s) & = \underset{a \in \mathcal{A}(s)}{max} \ q_{\pi_*}(s, a) \\ & = \underset{a}{max} \ \mathbb{E}_{\pi*} [G_t \ | \ S_t=s, A_t=a] \\ & = \underset{a}{max} \ \mathbb{E}_{\pi*} \left [ \sum_{k=0}^{\infty} \gamma^k R_{t+k+1} \ | \ S_t=s, A_t=a \right ] \\ & = \underset{a}{max} \ \mathbb{E}_{\pi*} \left [ R_{t+1} + \gamma\sum_{k=0}^{\infty} \gamma^k R_{t+k+2} \ | \ S_t=s, A_t=a \right ] \\ & = \underset{a}{max} \ \mathbb{E}[R_{t+1} + \gamma v_*(S_{t+1}) \ | \ S_t=s, A_t=a ] \\ & = \underset{a \in \mathcal{A}(s)}{max} \sum_{s',r} p(s',r|s,a)[r + \gamma v_*(s')] \\ \end{align} \]

参照

posted @ 2017-03-03 16:39 SNYang 阅读(...) 评论(...) 编辑 收藏