强化学习——基本概念

何为强化学习

机器学习的一大分支

强化学习（Reinforcement Learning）是机器学习的一种，它通过与环境不断地交互，借助环境的反馈来调整自己的行为，使得累计回报最大。
强化学习要解决的是决策问题——求取当前状态下最优行为或行为概率。
强化学习包括智能体和环境两大对象，智能体是算法本身，环境是与智能体交互的外部。

智能体（Intelligent Agent），在人工智能领域，智能体指一个可以观察周围环境并作出反应的自主实体。——维基百科

graph TB A(机器学习) --- B(监督学习) A --- C(非监督学习) A --- D(强化学习)

机器学习主要分为三大类：监督学习、非监督学习和强化学习。
与前两者不同，强化学习的训练样本没有任何标记，仅有一个延迟的回报信号。强化学习通过对训练数据进行学习，以获得从状态到行为的映射。这是一大区别。
在监督学习和非监督学习中，数据是静态，不需要与环境进行交互。此外，数据有着前提假设，如服从混合高斯分布、泊松分布等。然而，强化学习需要在与环境不断交互的过程中动态学习，所需的数据也是由与环境不断交互动态产生的，产生数据之间高度相关。强化学习涉及的对象更多、更复杂。此外另一个区别。

六个关键词

学习与规划（Learning & Planning）

学习与规划是两种方法，分别适用于不同的情境。
学习针对未知环境的情况。仅通过与环境进行交互，采用试错法逐渐改善其策略。
当智能体，已经知道或近似知道环境如何工作后，可以选择规划方法。智能体并不直接与环境发生实际交互，而是利用自己拟合的环境模型获得状态转换概率和汇报，在此基础上改善其策略。

探索与利用（Exploration & Exploitation）

探索与规划是两种行为，相互对立。
探索是指智能体在一种状态下，试图尝试一个新的行为，以图挖掘更多关于环境的信息；利用是指智能体根据已知信息，选取当下最优的行为来最大化回报。

预测与控制（Prediction & Control）

预测与控制是解决强化学习问题的两个步骤，也成为评估与改善。
解决一个强化学习问题，首先是解决关于预测问题：评估当前策略的质量。而后在此的基础上，解决控制问题：对当前策略不断优化，直到找到一个足够好的策略能够最大化未来的回报。

何为马尔可夫

强化学习的大部分算法都是以马尔可夫决策过程为基础发展。马尔可夫过程为强化学习问题提供了基本的理论框架，几乎所有强化学习问题都可以用马尔可夫决策过程（MDP）进行建模。以下将做简单介绍。

关于“马尔可夫”的概念

马尔可夫性

马尔可夫性（Markov Property），如果某一状态蕴含了所有相关历史信息。只要当前状态可知，所有的历史信息不再需要，即当前状态可以决定未来，则认为该状态具有马尔可夫性。
可用以下状态转移公式表示马尔可夫性：

\[P(S_{t+1}|S_t)=P(S_{t+1}|S_t,\cdots,S_2,S_1)\]

可见状态$S_t$包含的信息等价于所有历史状态$S_1,S_2\cdots,S_t$包含的信息，所以该状态具有马尔可夫性。
例如，围棋未来的走向只和当前棋面相关，之前的棋面不再有实际意义，因此棋面具有马尔可夫性，它已经涵盖了导致该种局面的所有重要信息。

马尔可夫过程

具有马尔可夫性的随机过程（又称“随机事件”）即马尔可夫过程（Markov Process），又称为马尔可夫链。它是一个无记忆的随机过程，可用一个元组$<S,\mathbf{P}>$表示，其中$S$表示有限数量的状态集，$\mathbf{P}$表示状态转移概率矩阵。
以一张求职者找工作的例子说明马尔可夫链。

graph LR A([本职工作]) B([机器学习]) C([强化学习]) D([故宫旅游]) E([深度强化]) F[人工智能工作] A -->|0.5| A A -->|0.5| B B -->|1/3| A B -->|1/3| C B -->|1/3| F C -->|1/3| A C -->|1/3| F C -->|1/3| E D -->|0.2| C D -->|0.2| B D -->|0.6| E E -->|0.5| F E -->|0.5| D

椭圆表示求职者所处状态，方格“人工智能工作”表示求职者最终找到了满意的工作，即“终止状态”也可以认为它的下一个状态是自身的概率为100%。箭头表示状态间的转移，肩头上的数字表示当前转移的概率。
图中状态转移矩阵为：

\[\mathbf{P}= \begin{bmatrix} 0.5&0.5&0&0&0&0\\ 1/3&0&1/3&0&0&0\\ 1/3&0&0&1/3&0&1/3\\ 0&0&0&0&0.5&0.5\\ 0&0.2&0.2&0.6&0&0\\ 0&0&0&0&0&1\\ \end{bmatrix} \]

矩阵中每个元素$P_{ss'}$表示从状态$s$转移至状态$s'$的概率，从上到下的行（以及从左到右的列）分别表示本职工作、机器学习、强化学习、深度强化、故宫旅游、人工智能工作。

马尔可夫决策过程

马尔可夫决策过程（Markov Decision Process, MDP）是针对具有马尔可夫性的随机过程做出决策。即根据每部每个时间步观察到的状态$s$，从可用的行动集合中选用一个行动$a$，环境在$a$的作用下，转换至新状态$s'$。决策者根据新观察到的状态$s'$再做出新的决策，采取行动$a'$，依次反复进行。
一个马尔可夫决策过程由一个五元组构成：$M=<S,A,P,R,\gamma>$

$S$代表环境的状态集合。状态指的是智能体所能获得的对决策的有用信息。
$A$代表智能体的动作集合。它是智能体在当前学习任务中可以选择的动作集。
$P$表示状态转移概率。$P^a_{ss'}$表示当前状态$s$下（$s\in S$），经过动作$a$作用后（$a\in A$）转移至其他状态$s'$的概率。数学表达式如下：

\[P_{ss'}^a=P(S_{t+1}=s'|S_t=s,A_t=a) \]

如果$P$与动作无关，可写为：

\[P_{ss'}=P(S_{t+1}=s'|S_t=s) \]

给定一个策略$\pi$和一个马尔可夫决策过程（MDP）：$M=<S,A,P,R,\gamma>$。在执行策略$\pi$时，状态从$s$转移至$s'$的概率$P^{\pi}_{ss'}$表示这一系列概率之和。这一系列概率指在执行当下策略$\pi$时，执行某一个行为$a$的概率$\pi(a|s)$与该行为能使状态从$s$转移至$s'$的概率$P^a_{ss'}$的乘积。数学表达式如下：

\[P^\pi_{ss'}=\sum_{s\in A}\pi(a|s)P_{ss'}^a \]

策略是决策决定智能体行为的机制，是状态到行为的映射，用$\pi(a|s)$表示：$$\pi(a|s)=P(A_t=a|S_t=s)$$

策略分为确定性策略与随即策略。确定策略会根据具体状态输出一个动作：$\mu(a)=s$。随即策略根据状态输出每个动作的概率（概率值区间$[0,1]$）

$R$表示回报函数。$R^a_s$表示在当前状态$s(s\in S)$，采取动作$a(a\in A)$后，获得的回报。数学表达式如下：

\[R^a_s=E[R_{t+1}|S_t=s,A_t=a] \]

一些情况下，$R$仅与状态有关，因此可写为：

\[R^\pi_s=E[R_{t+1}|S_t=s] \]

当前状态下，$s$执行指定策略$\pi$得到的立即回报$R_a^\pi$是该策略下$\pi$下所有可能行为得到的回报$R_s^a$与该行为发生概率$\pi(a|s)$的乘积的和。

\[R^{\pi}_s=\sum_{a\in A}\pi(a|s)R^a_s \]

$\gamma$是衰减系数（Disocount Factor），也叫折扣因子，$\gamma\in[0,1]$。使用折扣因子是为了在计算当前状态的累计回报时，将未来时刻的立即回报也考虑进来。

在上面的马尔可夫过程例子中，状态集合$S=\{$本职工作、机器学习、强化学习、深度强化、人工智能工作$\}$；动作集合$A=\{$继续本职工作、学习、放弃、找工作、旅游$\}$。

把线上的“状态转移概率”换成“动作”和“回报”：

graph LR A([本职工作]) B([机器学习]) C([强化学习]) D([故宫旅游]) E([深度强化]) F[人工智能工作] A -->|继续本职工作\n R=2| A A -->|学习\n R=10| B B -->|放弃\n R=-10| A B -->|学习\n R=-2| C B -->|找工作\n R=4| F C -->|放弃\n R=-10| A C -->|找工作\n R=8| F C -->|学习\n R=-2| E D -->|学习\n R=-2| C D -->|学习\n R=-2| B D -->|学习\n R=-2| E E -->|找工作\n R=10| F E -->|旅游\n R=1| D

当前策略下，根据状态转移矩阵，状态“深度强化”到状态“强化学习”的转移概率为

\[P^\pi_{ss'}=\sum_{s\in A}\pi(a|s)P_{ss'}^a=0.5*0.2+0.5*0=0.1 \]

状态“深度强化”对应的回报为

\[R^{\pi}_s=\sum_{a\in A}\pi(a|s)R^a_s=0.5*1+0.5*10=5.5 \]

贝尔曼方程

贝尔曼方程（Bellman Equation）是强化学习算法的基石，在诸多强化学习方法中，如动态规划、蒙特卡洛、时序差分算法都是基于贝尔曼来求解最优策略。
贝尔曼方程基本思想是将待求解问题分解成若干个子问题，从这些子问题的解得到原问题的解。
贝尔曼方程分为“贝尔曼期望函数”和“贝尔曼最优方程”。

贝尔曼期望函数表达了当前值函数（或行为值函数）和它后继值函数（或行为值函数）的关系，以及值函数与行为值函数之间的关系。
贝尔曼最优方程表达了当前最优值函数（或最优行为值函数）与后继最优质函数（或最优行为值函数）的关系，以及最优值函数和最优行为值函数之间的关系。

值函数代表智能体在给定状态下的表现，或是给定状态下采取某个行为的好坏程度（用期望回报衡量）。值函数的估计都是基于给定的策略进行的。
回报$G_t$为从t时刻开始往后所有的带衰减回报的总和。也称“收益”或“奖励”。公式如下：

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

在$k+1$时刻获得的回报$R$在$t$时刻的价值为$\gamma^kR$，$\gamma$趋近于0表示“近视性”评估，趋近于1表示偏重长远利益的考虑。

状态值函数$V_{\pi}(s)$表示从状态s开始，遵循当前策略$\pi$所获得的期望汇报；或者说在执行当前策略$\pi$时，衡量智能体所处状态$s$时的价值大小。这个值可以评估一个状态的好坏并指导智能体选择动作。公式描述：：

\[\begin{align*} V_\pi(s)&=E_\pi[G_t|S_t=s]\\ &=E_\pi[R_{t+1}+\gamma R_{t+2}+\cdots|S_t=s]\end{align*}\]

值函数的另一类别，状态行为值函数简称行为值函数$Q_\pi(s,a)$。该指标表示，执行策略$\pi$时，针对当前状态$s$执行动作$a$时所获得的期望回报；也表示遵循策略$\pi$时，对当前状态$s$执行行为$a$的价值大小。公式描述：

\[\begin{align*} Q_\pi(s,a)&=E_\pi[G_t|S_t=s,A_t=a]\\ &=E_\pi[R_{t+1}+\gamma R_{t+2}+\cdots|S_t=s,A_t=a]\end{align*}\]

贝尔曼期望方程

对状态值函数$V_\pi(s)$定义的公式进行推导：

\[\begin{align*} V_\pi(s)&=E_\pi[G_t|S_t=s]\\ &=E_\pi[R_{t+1}+\gamma R_{t+2}+\gamma^2R_{t+3}+\cdots|S_t=s]\\ &=E_\pi[R_{t+1}+\gamma (R_{t+2}+\gamma R_{t+3}+\cdots)|S_t=s]\\ &=E_\pi[R_{t+1}+\gamma G_{t+1}|S_t=s]\\ &=E_\pi[R_{t+1}+\gamma V(S_{t+1})|S_t=s] \end{align*}\]

在最后一行将$G_{t+1}$变为$V(S_{t+1})$，表示回报的期望等于回报期望的期望。可以发现$V_\pi(s)$分解为两部分：第一项为该状态下立即回报的期望，为常数项；第二项为下一时刻转台值函数的折扣期望。
同理，$Q_\pi(s,a)$的贝尔曼方程期望方程为：

\[\begin{align*} Q_\pi(s,a)&=E_\pi[G_t|S_t=s,A_t=a]\\ &=E_\pi[R_{t+1}+\gamma Q_\pi(S_{t+1},A_{t+1})|S_t=s,A_t=a]\end{align*}\]

以上为贝尔曼方程的最初形式。贝尔曼方程有四种不同的表达形式，分别给出了状态值函数、行为值函数之间存在的关系。

基于状态$s$采取动作$a$，求取$V_\pi(s)$。
在遵循策略$\pi$时，状态$s$的值函数体现为在该状态下，采取所有可能行为的价值$Q_pi(s,a)$（行为值函数）与行为发生概率$\pi(a|s)$的乘积之和。表达式：

\[V_\pi(s)=\sum_{a\in A}\pi(a|s)Q_\pi(s,a) \]

采取行动$a$，状态转变为$s'$，求取$Q_\pi(s,a)$。
类似的，在遵循策略$\pi$时，行为状态价值$Q_\pi(s,a)$体现为两项之和。第一项为采取行为$a$后立即获得的回报$R^a_s$，第二项是所有可能的状态值$V_\pi(s')$乘以状态转移概率$P^a_{ss'}$带衰减求和。表达式：

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

基于状态$s$采取动作$a$，状态转变为$s'$，求取$V_\pi(s)$。
结合1与2，可得到$V_\pi(s)$第二种表达式：

\[V_\pi(s)=\sum_{a\in A}\pi(a|s)\left(R^a_s+\gamma\sum_{s'\in S}P^a_{ss'}V_\pi(s')\right) \]

采取行动$a$，状态转变为$s'$，采取行动$a'$，求取$Q_\pi(s,a)$。
结合1与2，可得到$Q_\pi(s,a)$第二种表达式：

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

贝尔曼最优方程

最优值函数$V^*(s)$是指在所有策略中最大的值函数，即：

\[V^*(s)=\underset{\pi}{\max}V_\pi(s),\ \ s\in S \]

相应的，最优行为值函数$Q^*(s,a)$是指所有策略中最大的行为值函数，即：

\[Q^*(s,a)=\underset{\pi}{\max}Q_\pi(s,a),\ \ s\in S \]

贝尔曼最优方程也有四种表达式，体现了最优状态值函数、行为值函数之间的关系。

基于状态$s$采取动作$a$，求取$V^*(s)$。
当前状态的最优质函数$V^*(s)$等于从该状态$s$出发，采取的所有行为中对应的那个最大的行为值函数。

\[V^*(s)=\underset{a}{\max}Q^*(s,a) \]

采取行动$a$，状态转变为$s'$，求取$Q^*(s,a)$。
在状态$s$下，采取某个行为的最优价值$Q^*(s,a)$。由两部分组成，第一部分是离开状态$s$的立即回报$R_s^a$，另一部分是所有能到达状态$s'$的最优状态价值$V^*(s')$按出现概率求和：

\[Q^*(s,a)=R_s^a+\gamma\sum_{s'\in S}P^a_{ss'}V^*(s') \]

基于状态$s$采取动作$a$，状态转变为$s'$，求取$V^*(s)$。
结合1与2，可得到$V^*(s)$第二种表达式：

\[V^*(s)=\underset{a}{\max}R^a_s+\gamma\sum_{s'\in S}P^a_{ss'}V^*(s) \]

采取行动$a$，状态转变为$s'$，采取行动$a'$，求取$Q^*(s,a)$。
结合1与2，可得到$Q^*(s,a)$第二种表达式：

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

最优策略

强化学习的目标是找到最优策略$\pi$，使得该策略下的累积回报期望最大。
对于任何状态$s$，当且仅当遵循策略$\pi$的价值不小于遵循策略$\pi'$的价值时，则称策略$\pi$由于$\pi'$，即

\[\pi\geqslant\pi',\ \ V_\pi(s)\geqslant V_{\pi'}(s), \ \ \forall s \]

对于任意MDP，存在一个最优策略满足：

\[\pi^*\geqslant\pi,\ \ \forall\pi \]

每个策略对应着一个状态值函数，最优策略自然对应着最优值函数。因此，一旦有了$V^*$，基于每一个状态$s$，做一步搜索，一部搜索之后，出现的最优行为将是最优的，对应的最优行为集合就是最优策略：

\[\pi^*=(a|s)=\underset{a\in A}{argmax}R^a_s+\gamma\sum_{s'\in S}P^a_{ss'}V^*(s') \]

如果有了最优行为值函数$Q^*(s,a)$，则求解最优策略将变得更为方便。对于任意状态$s$，直接找到最大化$Q^*(s,a)$对应的行为，最优策略求取公式：

\[\pi^*=(a|s)=\begin{cases} 1 \ \ a=\underset{a\in A}{argmax}Q^*(s,a) \\ 0\ \ other \end{cases}\]

对于任何MDP问题，总存在一个确定性的最优策略，找到最优行为价值函数相当于找到最优策略。
在同一个状态$s$下，会存在多个行为$a$，每一个行为分别对应一个行为值函数$Q(s,a)$。若在当前状态$s$下，有$m$个行为值函数相等且取值最大，则其对应的行为概率均为$\frac{1}{m}$。

参考文献

[1] 邹伟.强化学习[M].北京: 清华大学出版社, 2020.

posted @ 2023-07-13 10:55 October- 阅读(230) 评论(0) 编辑收藏举报

刷新页面返回顶部