强化学习的数学原理-03贝尔曼最优公式

目录

• 最优策略和公式推导
• 右侧最优化问题
• 公式求解以及最优性
• Contraction mapping theorem(压缩映射定理)
• 解决贝尔曼最优公式
• 分析最优策略（analyzing optimal policies）
• Summary

最优策略和公式推导

首先定义一个策略比另一个策略好：

$$v_{{\pi }_1}(s)\ge v_{{\pi }_2}(s)foralls\in S$$

如何有上面式子成立，那么就说${\pi }_1\mathrm{优}\mathrm{于}{\pi }_2$

基于上面的定义，于是就可以定义最优

对于所有的状态s，和所有的策略$\pi$都有下面的式子成立

$$v_{{\pi }_{\ast }}(s)\ge v_{\pi }(s)$$

那么${\pi }_{\ast }$就是最优的(optimal)

贝尔曼最优公式：

$$\begin{array}{rl}v(s)& =\underset{\pi }{max}\sum _a\pi (a\mid s)(\sum _{r}p(r\mid s,a)+\gamma \sum _{s^{{}^{\prime }}}p(s^{{}^{\prime }}\mid s,a)v(s^{{}^{\prime }})),\mathrm{\forall }s\in S\\ & =\underset{\pi }{max}\sum _a\pi (a\mid s)q(s,a),\mathrm{\forall }s\in S\end{array}$$

对于贝尔曼最优公式实际上是一个最优化问题

我们已知的有$p(r\mid s,a),p(s^{{}^{\prime }}\mid s,a)$
$v(s),v(s^{{}^{\prime }})$是未知的并且需要求解的
对于贝尔曼公式$\pi$是已知到，对于贝尔曼最优公式$\pi$是未知的需要求解的。

贝尔曼最优公式的矩阵形式

$$v=\underset{\pi }{max}(r_{\pi }+\gamma P_{\pi }v)$$

• 贝尔曼最优公式（BOE）非常elegant,它的形式非常简介，可以刻画最优的策略和最优的state value

右侧最优化问题

如何求解贝尔曼最优公式？

考虑下面的问题:

$twovariblex,a\in \mathbb{R}.$

$$x=\underset{a}{max}(2x-1-a^2).$$

上面的式子中也是含有两个未知量

先看右边的部分当$a=0$时达到最大值$2x-1$

然后将$a=0$带入等式右边得到$x=2x-1$于是就求解出了$x=1$

于是$a=0,x=1$就是这个公式的解.

下面解决贝尔曼最优方程

$$v(s)=\underset{\pi }{max}\sum _a\pi (a\mid s)q(s,a)$$

考虑我们有3个$q$也就是$q_1、q_2、q_3\in \mathbb{R}$找$c_1^{\ast }、c_2^{\ast }、c_3^{\ast }$使得$c_1{q}_1+c_2{q}_2+c_3{q}_3$最大

也就是

$$\underset{c_1、c_2、c_3}{max}{c}_1{q}_1+c_2{q}_2+c_3{q}_3,where{c}_1+c_{+}{c}_3=1,and{c}_1、c_2、c_3\ge 0$$

为了不失一般性这里假设一个最大值,假设$q_3\ge q_1,q_2$，于是最优解就是$c_1^{\ast }=0、c_2^{\ast }=0、c_3^{\ast }=1$

通过上面的例子就可以知道如果$q$值确定，如何求解上面的$\pi$

公式求解以及最优性

贝尔曼最优公式的矩阵形式

$$v=\underset{\pi }{max}(r_{\pi }+\gamma P_{\pi }v)$$

我们把贝尔曼最优公式写成一个函数形式

$$f(v):=\underset{\pi }{max}(r_{\pi }+\gamma P_{\pi }v)$$

于是最优公式就化成了

$$v=f(v)$$

$${[f(v)]}_s=ma{x}_{\pi }\sum _a\pi (a\mid s)q(s,a),s\in S$$

这里的$f(v)$实际上是一个向量，因为每个状态对应一个$statevalue$，而每一个$statevalue$都对应一个$f(v)$

于是问题就转化成了求解$v=f(v)$这个方程，求解这个方程就需要下面的知识了。

Contraction mapping theorem(压缩映射定理)

关于这个定义的详细介绍在这 | 中文数学 Wiki | Fandom

在说压缩映射定理之前需要引入一些概念

Fixed point（不动点）:

$$x\in Xisafixedpointoff:X\to Xif$$

$$f(x)=x$$

然后$x$就被称为一个不动点。

Contraction mapping or Contractive function:$fisacontractionmappingif$:

$$\mid \mid f(x_1)-f(x_2)\mid \mid \le \gamma \mid \mid x_1-x_2\mid \mid ,where\gamma \in (0,1)$$

Theorem(Contraction Mapping Thorem):

对于任何形如$x=f(x)$的等式，如果$f$是一个contraction mapping，那么有：

存在性：存在一个不动点$x^{\ast }$满足$f(x^{\ast })=x^{\ast }$。

唯一性：不动点$（fixedpoint）$是唯一的。

求解不动点的算法：这是一个迭代式的算法,不断令$x_{k+1}=f(x_k)$,当$k\to \mathrm{\infty }$时$x_k\to x^{\ast }$,同时收敛的速度会非常快（以指数的速度收敛）

解决贝尔曼最优公式

有了上面的压缩映射定理就可以解决贝尔曼最优公式了

$$v=f(v)=\underset{\pi }{max}(r_{\pi +\gamma Pv})$$

为了应用压缩映射定理，首先需要证明下式中$\gamma \in (0,1)$

$$\mid \mid f(v_1)-f(v_2)\mid \mid \le \gamma \mid \mid v_1-v_2\mid \mid$$

这个是可以得到证明的。

知道了$f$是一个$contractionmapping$，那么贝尔曼最优公式就可以利用上面的$contractionmappingthorem$解决了。

分析最优策略（analyzing optimal policies）

$$v(s)=\underset{\pi }{max}\sum _a\pi (a\mid s)\left(\sum _{r}p(r\mid s,a)r+\gamma \sum _{s{}^{\prime }}p(s^{{}^{\prime }}\mid s,a)v(s^{{}^{\prime }})\right)$$

求解贝尔曼最优公式就是已知红色量求出上面公式中黑色的量

公式中的三个量决定了optimal policy

• Reward design：$r$
• System model：$p(s^{{}^{\prime }}\mid s,a),p(r\mid s,a)$
• Discount rate：$\gamma$
• $v(s),v(s^{{}^{\prime }}),\pi (a\mid s)$都是未知量待计算

1. 当$\gamma$比较大的时候，会比较远视，当$\gamma$比较小的时候则会比较短时，获得的$return$主要由短期的$reward$决定。当$\gamma$变为$0$时策略又会发生变化，策略会变得非常短视，更具体地说策略只会关注$immediatereward$，这样导致的结果可能是采用的策略根本到达不了$target$

2. 改变$reward$也会导致策略改变。

下面观察如果对$reward$进行线性变换会发生什么？$r\to ar+b$

• 实际上进行线性变换是不会改变最优策略的。
• 这个问题实际上并不关注$reward$的绝对性，更加关注$reward$的相对性。

关于无意义的绕路：因为有$discountrate$的存在，会导致后面得到的$reward$打折扣

Summary