强化学习读书笔记 - 03 - 有限马尔科夫决策过程
学习笔记：
Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016
代理-环境接口(The agent-environment interface)
代理(agent) - 学习者或者决策者
环境(environment) - 代理外部的一切，代理与之交互。
情节性任务(Episodic Tasks)和连续任务(Continuing Tasks)
情节性任务(Episodic Tasks)，所有的任务可以被可以分解成一系列情节。逻辑上，可以看作为有限步骤的任务。
连续任务(Continuing Tasks) ，所有的任务不能分解。可以看作为无限步骤任务。
马尔科夫属性(The Markov property)
state - 马尔科夫属性，表示当前环境的状态。
举个例子：一个国际象棋的state可能包含：棋盘上所有棋子的位置，上一步的玩家，上一步的走法。
看看下面的公式：
这个公式在计算下一步（状态是(s')、奖赏是(r)）的概率。
并说明这个概率是由至今为止所有的状态(S*)，行动(A*)和奖赏(R*)决定的。
[
Pr{s_{t+1} = s', R_{t+1} = r | S_0, A_0, R_1, S_1, A_1, dots, R_t, S_t, A_t } \
]
如果，我们有马尔科夫属性state，有了现在环境的所有状态，那么上面的公式可以简化为：
这个公式的含义是下一步（状态是(s')、奖赏是(r)）的概率是由马尔科夫属性(s)和行动(a)决定的。
[
p(s', r | s, a) = Pr {S_{t+1} = s', R_{t+1} = r | S_t = s, A_t = a }
]
马尔科夫决策过程 - 数学模型
马尔科夫决策过程是一个强化学习问题的数学描述模型。
这个数学模型可以从几个视图来学习。
- 状态(state)-行动(action)-奖赏(reward)视图
- 目标(goal)-奖赏(reward)视图
- 决策过程视图
- 策略(policy)视图
状态(state)-行动(action)-奖赏(reward)视图
这是一个马尔科夫抉择过程的基本视图。
描述agent在状态(s)下，选择了行动(a)，状态变为(s')，获得了奖赏(r)。
这个很容易理解，说明奖赏是行动引起状态转变后得到的。
举个特殊例子：天上掉馅饼的过程：行动是等待；新状态是获得馅饼。
目标(goal)-奖赏(reward)视图
奖赏假设(reward hypothesis) - 目标就是：最大化长期累计奖赏的期望值。
注：不是立即得到的奖赏。
回报(G_t)：
[
G_t doteq sum_{k=0}^{infty} gamma^k R_{t+k+1} \
where \
gamma text{ - is a parameter, discount rate, } 0 leqslant gamma leqslant 1
]
(gamma)折扣率决定了未来奖赏的当前价值：
在k步之后的一个奖赏，如果换算成当前奖赏，需要乘以它的(gamma^{k-1})倍。
情节性任务(episodic tasks)的回报计算
[
G_t doteq sum_{k=0}^{T-t-1} gamma^k R_{t+k+1} quad (T = infty text{ or } gamma = 1 text{ (but not both)}) \
where \
T ne infty text{ - case of episodic tasks} \
T = infty text{ - case of continuing tasks}
]
决策过程视图
上图说明了：
- 状态(s)下，采取行动(a)，转变成新状态(s')，是由概率(p(s' | s, a))决定的。
- 状态(s)下，采取行动(a)，转变成新状态(s')，获得的奖赏(r)，是由概率(p(s', r | s, a))决定的。
- 引起状态(s)到状态(s')的转变行动，不一定是唯一的。
相应的数学定义和公式
在状态(s)下，执行行动(a)，转变为状态(s')并获得奖赏(r)的可能性：
[
p(s', r | s, a) doteq Pr {S_{t+1} = s', R_{t+1} = r | S_t = s, A_t = a }
]
在状态(s)下，执行行动(a)的期望奖赏：
[
r(s,a) doteq mathbb{E}[R_{t+1} | S_t = s, A_t = a] = sum_{r in mathcal{R}} r sum_{s' in mathcal{S}} p(s', r|s,a)
]
在状态(s)下，执行行动(a)，转变为状态(s')的可能性：
[
p(s' | s,a) doteq Pr {S_{t+1} = s' | S_t=s, A_t=a } = sum_{r in mathcal{R}} p(s',r | s,a)
]
在状态(s)下，执行行动(a)，转变为状态(s')的期望奖赏：
[
r(s,a,s') doteq mathbb{E}[R_{t+1} | S_t = s, A_t = a, S_{t+1} = s'] = frac{sum_{r in mathcal{R}} r p(s',r|s,a)}{p(s'|s,a)}
]
策略视图
强化学习的目标是找到（可以获得长期最优回报）的最佳策略。
(pi) - 策略(policy)。
(pi) - 策略(policy)。强化学习的目标：找到最优策略。
策略规定了状态(s)时，应该选择的行动(a)。
[
pi = [pi(s_1), cdots, pi(s_n)]
]
(pi(s)) - 策略(pi)在状态(s)下，选择的行动。
(pi_*) - 最优策略(optimal policy)。
(pi(a | s)) - 随机策略(pi)在状态(s)下，选择的行动(a)的概率。
价值方法(Value Functions)
使用策略(pi)，状态价值方法 - state-value function
[
v_{pi}(s) doteq mathbb{E}[G_t | S_t = s] = mathbb{E}_{pi} left [ sum_{k=0}^{infty} gamma^k R_{t+k+1} | S_t = s right ] \
where \
pi text{ - polity} \
mathbb{E}_{pi}[cdot] text{ - the expected value of a value follows policy } pi
]
使用策略(pi)，行动价值方法 - action-value function
[
q_{pi}(s,a) doteq mathbb{E}[G_t | S_t = s, A_t = a] = mathbb{E}_{pi} left [ sum_{k=0}^{infty} gamma^k R_{t+k+1} | S_t = s, A_t = a right ] \
]
使用策略(pi)，迭代状态价值方法 - iterative state-value function
a.k.a Bellman equation for (v_{pi})
[ begin{align} v_{pi}(s) & doteq mathbb{E}[G_t | S_t = s] \ & = mathbb{E}_{pi} left [ sum_{k=0}^{infty} gamma^k R_{t+k+1} | S_t = s right ] \ & = mathbb{E}_{pi} left [ R_{t+1} + gammasum_{k=0}^{infty} gamma^k R_{t+k+2} | S_t = s right ] \ & = sum_{a} pi(a|s) sum_{s'} sum_{r} p(s',r|s,a) left [ r + gammamathbb{E}_{pi} left [ sum_{k=0}^{infty} gamma^k R_{t+k+2} | S_{t+1} = s' right ] right ] \ & = sum_{a} pi(a|s) sum_{s',r} p(s',r|s,a) left [ r + gamma v_{pi}(s') right ], forall s in mathcal{S} end{align} ]
最优价值方法(Optimal Value Functions)
最优状态价值方法 - optimal state-value function
[
v_*(s) doteq underset{pi}{max} v_{pi}(s), forall s in mathcal{S}
]
最优行动价值方法 - optimal action-value function
[
q_*(s, a) doteq underset{pi}{max} q_{pi}(s, a), forall s in mathcal{S} and a in mathcal{A}(s)
]
最优的行为价值等于最优的状态价值下的最大期望：
[
q_*(s,a) = mathbb{E}[R_{t+1} + gamma v_* (S_{t+1}) | S_t = s, A_t = a]
]
最优状态价值迭代方法 - interval optimal state-value function
[
begin{align}
v_*(s)
& = underset{a in mathcal{A}(s)}{max} q_{pi_*}(s, a) \
& = underset{a}{max} mathbb{E}_{pi*} [G_t | S_t=s, A_t=a] \
& = underset{a}{max} mathbb{E}_{pi*} left [ sum_{k=0}^{infty} gamma^k R_{t+k+1} | S_t=s, A_t=a right ] \
& = underset{a}{max} mathbb{E}_{pi*} left [ R_{t+1} + gammasum_{k=0}^{infty} gamma^k R_{t+k+2} | S_t=s, A_t=a right ] \
& = underset{a}{max} mathbb{E}[R_{t+1} + gamma v_*(S_{t+1}) | S_t=s, A_t=a ] \
& = underset{a in mathcal{A}(s)}{max} sum_{s',r} p(s',r|s,a)[r + gamma v_*(s')] \
end{align}
]
参照
- Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016
- 强化学习读书笔记 - 00 - 术语和数学符号
- 强化学习读书笔记 - 01 - 强化学习的问题
- 强化学习读书笔记 - 02 - 多臂老O虎O机问题
- 还没有人评论，欢迎说说您的想法！
客服
