Q-Learning

一、Q-Learning:

例子：https://www.zhihu.com/question/26408259/answer/123230350

http://ml.cs.tsinghua.edu.cn:5000/demos/flappybird/

以上为Q-Learning的伪代码

 

Q(S,A)可以是一个查找表，也可以是一个神经网络。

其中最重要的公式是：

其中1-alpha是保留多少以前的经验，gamma是对最长期reward进行discount

 (这个公式有四个好处：1、不需要知道状态之间的transition probaility（model free） 2、不需要等到episode结束后才更新Q值(相比于MCTS) 3、收敛到最优解 4、off-policy)

 

二、神经网络的加入：

当输入状态比较大的时候，Q值表就非常的大，所以就只能使用神经网络了。

这时候，就设计Q值网络训练的问题。为了对神经网络进行训练，可以把Q值网络的损失函数设为一个回归问题。

回归问题和神经网络的优势有两点：

1、可以进行神经网络训练，使得庞大的state空间进行压缩。

2、对原始经验的保存变成了网络参数的保存。

 

三、探索：

一般情况下，Q-Learning对自己经常经历的一段路径估计比较准，对于没经常经历的估计不那么准。所以，会出现一种情况就是：在前期Q值估计不准的情况下，对某一本质上很好的决策进行了错误估计，认为这段路径会很差，导致以后选择了一个错误的决策，然后就会一直在这个错误的方向下一直走下去，不会回过头来探索本质上很好的那个决策。

 

所以，一般在前期的时候，我们会进行随机的探索不同的路径，获得一个比较好的初始Q值。

 

四、利用

但是由于状态空间过大，完全随机探索可能出现一个问题：状态空间大，采样不够，Q值估计不准。

而且，其实我们最终关心的只是表现好好的状态及其周边状态的Q值。所以，在随机探索初始化Q值后，我们通过Q值来选取我们关心的状态，加大对我们关心状态的训练。

 

五、replay-memory

我们如果在线训练，可能模拟器非常慢，RL训练需要等待模拟器准备数据。所以我们可以把数据存到replay-memory里面，然后用来训练。

另一个好处就是，在线训练的数据和当前神经网络的参数有很大的联系，导致数据自产自销，数据不够客观，可能最终处于某种恶性循环。

 

六、一个变态的RL任务

 有这样一种RL任务：

1、你只要随机探索，基本上就到不了你最终关心的状态，采样出来的数据对最终关心状态无关。

2、当你不随机探索，由于神经网络没见过好的状态，对好的状态的估值并不好，也不会进入好的状态。

3、很难或者没法进行仿真模拟、回溯等，也就是出现好状态时，很难加大对好状态的采样。

所以，agent会一直无法进入最终关心的状态，也就不会进行相应的数据采样，导致agent收敛到局部最优解，当然这种局部最优解可能是我们完全没法忍受的。我们对于这种任务，我们应该怎么解决？

有人提出了对状态进行reconstruction，就是当状态没怎么见过时，给个较大的reward，这样去帮助agent去进入没见过的状态。

但是，个人觉得这种方法有两个问题：一个是reconstruction的loss是否可靠，能否代表对未见过状态的表示，这个是没办法很好回答的。二个是我们本质上只是想加大进入好状态的概率，而不是进入未知状态的概率，所以这种方法可能最终对实际任务没有太大帮助。

 

那么有什么解决办法呢？主要有一下几点：

1、人为先验知识：对于一个封闭系统来说，如果内部因素全都考虑到了，还是存在问题，就只能依靠外部力量进行解决。

　　a、人为选择好的action。对于在某些状态下，如果人类很明确知道某个action会更好，那么我们可以帮助agent进行选择action，以便更多地进入关心的状态。这里不是简单的帮助agent进行人为选择action，真正目的是为了加大好数据的采样量。

　　b、监督训练获得更好的feature表示。对于状态空间大的情况，我们通过神经网络对状态进行压缩，希望对坏状态有个相似的feature表示，但是，rl任务并没有很明确的监督信息，feature的表示能力和泛化能力可能很弱，加入监督信号，对feature学习进行一个很好的表示，以便对于好坏状态有更好的表示，同时提高泛化能力。

2、期望于内部pattern：作为机器学习的人员，我们希望找到所有内部系统的自身pattern，所有我们寄希望于这个rl系统还隐藏着未被发现的pattern。

　　a、rewards：一个rl任务可能有多种reward，特别是对于复杂的任务，一般都有很多的评价指标，这些评价指标可能隐藏着某种pattern，如何利用其中的pattern？

 

七、RL工作方向

1、并行化，加速采（A3C）

2、multi-reward，处理隐藏的rewards pattern

3、训练方式变化，解决神经网络欠拟合，过拟合，不稳定等问题。（进化策略）

4、连续action?