强化学习读书笔记 - 08 - 规划式方法和学习式方法

强化学习读书笔记 - 08 - 规划式方法和学习式方法

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

需要了解强化学习的数学符号，先看看这里：

什么是模型(model)

环境的模型，本体可以通过模型来预测行为的反应。
对于随机的环境，有两种不同的模型：

  • distribution model - 分布式模型，返回行为的各种可能和其概率。
  • sample model - 样本式模型，根据概率，返回行为的一种可能。

样本式模型的数学表达

\[(R, S') = model(S, A) \]

规划型方法和学习型方法（Planning and Learning with Tabular Methods）

  • planning methods - 规划型方法。通过模型来获得价值信息（行动状态转换，奖赏等）。
    比如：动态规划（dynamic programming）和启发式查询（heuristic search）。
    模型planning相当于模型模拟(model simulation)。

  • learning methods - 学习型方法。通过体验（experience）来获得价值信息。
    比如：蒙特卡洛方法(Mento Carlo method)和时序差分方法(temporal different method)。

蒙特卡洛树方法是一个规划型方法，需要一个样本式模型。而蒙特卡洛方法是一个学习型方法。
这并不矛盾，只是意味着学习型方法的体验是可以用模型来执行，而获得一个模拟的经验(simulated experience)。

  • 规划型方法和学习型方法的相似性
    规划型方法和学习型方法都是通过计算策略价值来优化策略。因此，可以融合到一起。
    见书中例子：Random-sample on-step tabular Q-planning.

规划型方法

规划就是通过模型来学习 - 优化策略，有两种：

  • state-place planning - 状态空间规划
    这也是本书中所讲的。

  • plan-place planning - 规划空间规划
    本书不讲。

Dyna - 结合模型学习和直接强化学习

  • model learning - 模型学习，通过体验来优化模型的过程。
  • directly reinforcement learning - 直接强化学习，通过体验来优化策略的过程。

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）。见图：

Reinforcement Learning - Dyna Reinforcement Learning - Dyna policy value/policy experience experience policy->experience acting experience->policy direct reinforcement learning model model model->policy planning model->experience model learning

Tabular Dyna-Q

Initialize \(Q(s, a)\) and \(Model(s, a) \forall s \in S \ and \ a \in A(s)\)
Do forever(for each episode):
  (a) $S \gets $ current (nonterminal) state
  (b) \(A \gets \epsilon-greedy(S, Q)\)
  (c) Execute action \(A\); observe resultant reward, \(R\), and state, \(S'\)
  (d) \(Q(S, A) \gets Q(S, A) + \alpha [R + \gamma \underset{a}{max} \ Q(S', a) - Q(S, A)]\)
  (e) \(Model(S, A) \gets R, S'\) (assuming deterministic environment)
  (f) Repeat n times:
   $S \gets $ random previously observed state
   $A \gets $ random action previously taken in \(S\)
   \(R, S' \gets Model(S, A)\)
   \(Q(S, A) \gets Q(S, A) + \alpha [R + \gamma \underset{a}{max} \ Q(S', a) - Q(S, A)]\)

理解
上面的算法，如果\(n=0\)，就是Q-learning算法。Dyna-Q的算法的优势在于性能上的提高。
我想主要原因是通过建立模型，减少了操作(c)，模型学习到了\(Model(S, A) \gets R, S'\)。

优化的交换（Prioritized Sweeping）

下面的算法，提供了一种性能的优化，只评估那些误差大于一定值\(\theta\)的策略价值。

Initialize \(Q(s, a)\), \(Model(s, a), \ \forall s, \forall a\) and PQueue to empty
Do forever(for each episode):
  (a) $S \gets $ current (nonterminal) state
  (b) \(A \gets policy(S, Q)\)
  (c) Execute action A; observe resultant reward, R, and state, \(S'\)
  (d) \(Model(S, A) \gets R, S'\)
  (e) \(P \gets |R + \gamma \underset{a}{max} \ Q(S', a) - Q(S, A)|\)
  (f) if \(P > \theta\), then insert \(S, A\) into \(PQueue\) with priority \(P\)
  (g) Repeat \(n\) times, while \(PQueue\) is not empty:
   \(S, A \gets first(PQueue)\) (will remove the first also)
   \(R, S' \gets Model(S, A)\)
   \(Q(S, A) \gets Q(S, A) + \alpha [R + \gamma \underset{a}{max} \ Q(S', a) - Q(S, A)]\)
   Repeat, for all \(S,A\) predicted to lead to \(S\):
    $\overline{P} \gets $ predicted reward for \(\overline{S}, \overline{A}, S\)
    \(P \gets |\overline{R} + \gamma \underset{a}{max} \ Q(S', a) - Q(\overline{S}, \overline{A})|\)
    if \(P > \theta\), then insert \(\overline{S}, \overline{A}\) into \(PQueue\) with priority \(P\)

蒙特卡洛树搜索

我有另外一个博文介绍了这个算法。
蒙特卡洛树搜索算法（UCT）: 一个程序猿进化的故事

参照

posted @ 2017-03-09 15:25  SNYang  阅读(4116)  评论(0)  编辑  收藏  举报