机器学习 | 强化学习（1） | 马尔科夫决策过程（MDP）概论

最近在搞强化学习（Reinforcement Learning），打算把之前写的笔记整理一下
本文基于大卫 希尔维（David Silver）教授的强化学习概论课程，视频中所采用的样例学生马尔科夫链（Student MDPs）有时间再补上去
出处：https://www.youtube.com/watch?v=lfHX2hHRMVQ&list=PLqYmG7hTraZDM-OYHWgPebj2MfCFzFObQ&index=2

马尔科夫决策过程（MDP）概论

马尔科夫过程（Markov Process）

马尔科夫性（Markov Property）

马尔科夫性的定义为：

给定一个状态\(S_t\)，当且仅当其满足条件

\[\mathbb{P}[S_{t+1}|S_t]=\mathbb{P}[S_{s+1}|S_1,\dots,S_t] \]

那么称状态\(S_t\)具有马尔科夫性。

即当前状态包含了过去状态的一切影响与参数，无需知晓过去状态，通过当前状态即可描述出未来状态。

对于一个具有马尔科夫状态\(s\)以及其后继状态\(s'\)，其状态转移概率（State Transition Probability）描述为

\[\mathcal{P}_{ss'}=\mathbb{P}[S_{t+1}=s'|S_t=s] \]

状态转移矩概率矩阵\(\mathcal{P}\)描述了所有状态及其后继状态之间的状态转移概率

\[\qquad \qquad to\\ \mathcal{P} = from \begin{bmatrix} \mathcal{P}_{11} & \dots & \mathcal{P}_{1n} \\ \vdots & & \vdots \\ \mathcal{P}_{n1} & \dots & \mathcal{P}_{nn} \end{bmatrix} \]

注意，因为符合归一化条件，每一行的和都为1

为此我们可以为马尔科夫过程给予定义

马尔科夫过程（Markov Process）

马尔科夫过程即是一个由一系列具有马尔科夫性的随机状态\(S_1,S_2,\dots\)所组成的序列，因此马尔科夫过程也被称为无后效性的随机过程。

定义：

一个马尔科夫过程（Markov Process），也被称为马尔科夫链（Markov Chain）为一个二元组\((\mathcal{S},\mathcal{P})\)

• \(\mathcal{S}\)为一个有限状态集
• \(\mathcal{P}\)为状态转移概率矩阵
  • \(\mathcal{P}_{ss'}=\mathbb{P}[S_{t+1}=s'|S_t=s]\)

[这里是例子]

马尔科夫回报过程（Markov Reward Process）

马尔科夫回报过程基于马尔科夫过程，拓展了回报这一属性

其定义为：

一个马尔科夫回报过程（Markov Reward Process），为一个四元组\((\mathcal{S},\mathcal{P},\mathcal{R},\mathcal{\gamma})\)

• \(\mathcal{S}\)为一个有限状态集

• \(\mathcal{P}\)为状态转移概率矩阵

  • \(\mathcal{P}_{ss'}=\mathbb{P}[S_{t+1}=s'|S_t=s]\)

• \(\mathcal{R}\)为一个回报函数，\(\mathcal{R}_s=\mathbb{E}[R_{t+1}|S_t=s]\)

• \(\mathcal{\gamma}\)为一个衰退因子，\(\mathcal{\gamma}\in[0,1]\)

[这里是例子]

给予指定一个时间\(t\)，我们自然而然所关注的是取得的返回回报\(G_t\)

对于时间\(t\)，\(G_t\)的定义如下：

\[G_t = R_{t+1} + \gamma R_{t+2} + \cdots=\sum_{k=0}^{\infty}R_{t+k+1} \]

\(\mathcal{\gamma}\)作为一个衰退因子，\(\mathcal{\gamma}\in[0,1]\)，决定了相对于目前的未来回报

为何要引入衰退因子\(\gamma\)

• 纯粹为了方便数学模型的计算
• 避开循环马尔科夫链出现的无穷值
• 模型对于未来的变化没有百分百的把握
• 如果考虑经济学效益，那么时间更早的回报自然而然权重要高于晚来的回报
• 如果考虑仿生学模型，决策应该更加注重眼前的利益
• 当然并不排除使用无衰退因子的马尔科夫回报过程，即\(\mathcal{\gamma}=1\)来达到整个序列的边界

价值函数（Value Function）

价值函数\(v(s)\)揭示了状态\(s\)的长期回报

定义：

对于一个马尔科夫回报过程的价值函数\(v(s)\)，即是从状态\(s\)开始的期望返回回报

\[v(s)=\mathbb{E}[G_t|S_t=s] \]

[总之这里是例子]

马尔科夫回报过程的贝尔曼方程（Bellman Equation）

价值函数\(v(s)\)可以分解为两个部分：

• 当前回报\(R_{t+1}\)
• 后续状态的衰退价值\(\mathcal{\gamma} v(S_{t+1})\)

\[\begin{align} v(s) & =\mathbb{E}[G_t|S_t=s]\\ & =\mathbb{E}[R_{t+1}+\gamma R_{t+2} + \gamma^2R_{t+3}+\dots|S_t=s]\\ & =\mathbb{E}[R_{t+1}+\gamma (R_{t+2} + \gamma R_{t+3}+\dots)|S_t=s]\\ & =\mathbb{E}[R_{t+1}+\gamma G_{t+1}|S_t=s]\\ & =\mathbb{E}[R_{t+1}+\gamma v(S_{t+1})|S_t=s]\\ \end{align} \]

最后我们得到的等式：

\[v(s) =\mathbb{E}[G_t|S_t=s] =\mathbb{E}[R_{t+1}+\gamma v(S_{t+1})|S_t=s] \]

就称为马尔科夫回报过程的贝尔曼方程（Bellman Equation）

如果我们再把状态转移概率代入贝尔曼方程中，得到更加具体的贝尔曼方程形式

\[v(s) = R_{s}+\gamma\sum_{s'\in S}\mathcal{P}_{ss'}v(s') \]

同样地，贝尔曼方程还拥有一个更加简洁的矩阵形式

\[v=\mathcal{R} + \gamma\mathcal{P}v \]

其中\(v\)是一个排列着所有状态的列向量

\[\begin{bmatrix} v(1) \\ \vdots \\ v(r) \end{bmatrix} = \begin{bmatrix} \mathcal{R}_1 \\ \vdots \\ \mathcal{R}_n \end{bmatrix} + \gamma \begin{bmatrix} \mathcal{P}_{11} & \dots & \mathcal{P}_{1n} \\ \vdots & & \vdots \\ \mathcal{P}_{n1} & \dots & \mathcal{P}_{nn} \end{bmatrix} \begin{bmatrix} v(1) \\ \vdots \\ v(r) \end{bmatrix} \]

显然，马尔科夫回报过程的贝尔曼方程是一个线性方程。为此，我们可以直接写出它的闭式解：

\[\begin{align} v & = \mathcal{R} + \gamma\mathcal{P}v \\ (1-\gamma\mathcal{P})v & = \mathcal{R} \\ v & = (1-\gamma\mathcal{P})^{-1}\mathcal{R} \end{align} \]

• 时间复杂度：对于\(n\)个状态，\(O(n^3)\)
• 适合用于直接解小规模的马尔科夫回报过程
• 除此之外还有其他迭代式的方法去解大规模的马尔科夫回报过程
  • 动态规划
  • 蒙特卡洛规划
  • Temporal-Difference（TD）学习

马尔科夫决策过程（Markov Decision Process）

马尔科夫决策过程基于马尔科夫回报过程，拓展了决策这一属性

其定义为：

一个马尔科夫回报过程（Markov Reward Process），为一个五元组\((\mathcal{S},\mathcal{A},\mathcal{P},\mathcal{R},\mathcal{\gamma})\)

• \(\mathcal{S}\)为一个有限状态集
• \(\mathcal{A}\)为一个有限决策集​
• \(\mathcal{P}\)为状态转移概率矩阵
  • \(\mathcal{P}^a_{ss'}=\mathbb{P}[S_{t+1}=s'|S_t=s,A_t=a]\)
• \(\mathcal{R}\)为一个回报函数，\(\mathcal{R}^a_s=\mathbb{E}[R_{t+1}|S_t=s,A_t=a]\)
• \(\mathcal{\gamma}\)为一个衰退因子，\(\mathcal{\gamma}\in[0,1]\)

[这里是例子]·

策略（Policies）

策略的定义：

一个策略\(\pi\)是指定动作决定状态的一个分布

\[\pi(a|s) = \mathbb{P}[A_t=a|S_t=s] \]

• 策略决定了我们agent（真心不知道怎么翻译）的行为

• 显然马尔科夫决策过程的策略仅仅取决于当前状态

• 马尔科夫决策过程是静态的（不随时间变化而变化）

  i.e \(A_t\sim\pi(\cdot|S_t)\quad\forall t\gt 0\)

• 对于给定马尔科夫决策过程\(\mathcal{M} = \left \langle \mathcal{S,A,P,R,\gamma}\right \rangle\)以及策略\(\pi\)

• 对于一个状态序列\(S_1,S_2,\dots\)，为一个马尔科夫过程\(\left \langle \mathcal{S,P^\pi} \right \rangle\)

• 对于一个状态与回报序列\(S_1,R_2,S_2,\dots\)，为一个马尔科夫回报过程\(\left \langle \mathcal{S,P^\pi,R^\pi,\gamma} \right \rangle\)

• 其中：

  \[\begin{align} \mathcal{P}^\pi_{s,s'} & = \sum_{a\in A}\pi(a|s)\mathcal{P^a_{s,s'}}\\ \mathcal{R}^\pi_{s} & = \sum_{a\in A}\pi(a|s)\mathcal{R^a_{s}} \end{align} \]

价值函数（Value Function）

定义：

对于一个马尔科夫决策过程的状态-价值函数（state-value function）\(v_\pi(s)\)，即是从状态\(s\)开始以及采用的策略\(\pi\)的期望返回回报

\[v(s)_\pi=\mathbb{E}_\pi[G_t|S_t=s] \]

定义：

对于一个马尔科夫决策过程的动作-价值函数（action-value function）\(q_\pi(s,a)\)，即是从状态\(s\)开始，采取动作\(a\)以及采用的策略\(\pi\)的期望返回回报

\[q_\pi(s,a)=\mathbb{E}_\pi[G_t|S_t=s, A_t=a] \]

[总之这里是例子]

贝尔曼期望方程（Bellman Expectation Equation）

一个状态-价值函数能够拆分为即时回报以及后续状态经过衰退的价值

\[v_\pi(s) = \mathbb{E}_\pi[R_{t+1} + \gamma v_\pi(S_{t+1})|S_t=s] \]

一个动作-价值函数同理

\[q_\pi(s,a) = \mathbb{E}_\pi[R_{t+1} + \gamma q_\pi(S_{t+1},A_{t+1})|S_t=s,A_t=a] \]

\(V^\pi\)

\[v_\pi(s) = \sum_{a\in \mathcal{A}}\pi(a|s)q_\pi(s,a) \]

\(Q^\pi\)

\[q_\pi(s,a) = \mathcal{R^a_s + \gamma\sum_{s'\in S}P^a_{ss'}v_\pi(s')} \]

\(v_\pi\)

将\(V\)和\(Q\)结合起来，我们得到\(v_\pi\)的递归形式：

\[v_\pi(s) = \sum_{a\in\mathcal{A}}\pi(a|s)\Big(\mathcal{R+ \gamma\sum_{s'\in S}P_{ss'}^a v_\pi(s')}\Big) \]

$ q_\pi$

将\(V\)和\(Q\)结合起来，我们得到\(q_\pi\)的递归形式：

\[q_\pi(s,a) = \mathcal{R^a_s + \gamma\sum_{s'\in S}P^a_{ss'}\sum\pi(a'|s')q_\pi(s',a')} \]

[总之这里是一个例子 ]

贝尔曼期望方程的矩阵形式

贝尔曼期望方程很容易就可以通过马尔科夫回报过程诱导出来

\[v_\pi = \mathcal{R^\pi + \gamma P^\pi v_\pi} \]

从而直接获得一个闭式解

\[v_\pi = \mathcal{(1-\gamma P^\pi)^{-1}R^\pi} \]

最优价值函数（Optimal State-action Function）

对于一个最优状态-价值函数（optimal state-value function）\(v_*(s)\)，即是一个在全部策略中选取最大的价值函数

\[v_*(s) = \max_\pi v_\pi(s) \]

而对于一个最优动作-价值函数（optimal action-value function）\(q_*(s, a)\)，即是一个在全部策略中选取最大的动作-价值函数

\[q_*(s, a) = \max_\pi q_\pi(s,a) \]

最优价值函数是马尔科夫决策过程的最优可能表现

• \(v_\pi\)是对长期回报的描述
• \(q_\pi(s,a)\)是对下一步最优行动的描述

如果我们知道最优值fn，那么马尔科夫决策过程就成功被“求解”了

[总之这里又是一个例子]

最优策略（Optimal Policy）

我们定义一个策略的偏序关系，以表现策略之间的大小关系

\[\pi\ge\pi'\quad if \quad v_\pi(s) \ge v_{\pi'},\forall s \]

原理：

对于一切马尔科夫决策过程

• 必定存在一个策略\(\pi\)高于或者等于其他一切的策略，i.e. \(\pi_* \ge \pi,\forall \pi\)
• 最优策略必定是最优状态-价值函数，i.e. \(v_{\pi_*}(s) = v_*(s)\)
• 最优策略必定是最优动作-价值函数，i.e. \(q_{\pi_*}(s,a) = v_*(s,a)\)

求解最优策略

最大化\(q_*(s,a)\)可以找到一个最优策略

\[\pi_8(a|s) = \Bigg \{ \begin{align} 1 & \quad if \quad a = \mathop{\arg\max}_{a\in A} q_*(s,a) \\ 0 & \quad otherwise \end{align} \]

• 如何一个马尔科夫决策过程都必定具有一个确定的最优策略
• 只要求解出了\(q_*(s,a)\)，我们立即就能求出最优策略

贝尔曼最优方程（Bellman Optimality Equation）

\(v_*\)

最优状态-价值函数之间通过贝尔曼最优方程递归地进行相关

\[v_*(s) = \max_a q_*(s,a) \]

\(q_*\)

\[q_*(s,a)=\mathcal{R^a_s+\gamma\sum_{s'\in S} P^a_{ss'} v_*(s')} \]

\(V^*\)

我们把上述两个价值函数结合在一起，从而得到可解决的方程

\[v_*(s) = \max_a \mathcal{R^a_s + \gamma \sum_{s'\in S} P^a_{ss'} v_*(s')} \]

\(Q^*\)

\[q_*(s,a) = \mathcal{R^a_s + \gamma \sum_{s'\in S}P^a_{ss'}\max_{a'}q_*(s',a')} \]

求解贝尔曼最优方程

必须指出：

• 贝尔曼最优方程是非线性的
• 一般情况下是不存在闭式解的
• 存在许多迭代求解方式
  • 价值递归
  • 策略递归
  • Q-learning
  • Sarsa

拓展

• 无限/连续马尔科夫决策过程
• 部分可测的马尔科夫决策过程
• 不衰退，平均回报的马尔科夫决策过程