工作室是个体户还是公司谷歌搜索优化

强化学习笔记

主要基于b站西湖大学赵世钰老师的【强化学习的数学原理】课程，个人觉得赵老师的课件深入浅出，很适合入门.

第一章 强化学习基本概念
第二章 贝尔曼方程
第三章 贝尔曼最优方程
第四章 值迭代和策略迭代
第五章 强化学习实践—GridWorld
第六章 蒙特卡洛方法

---

---

前面介绍的值迭代和策略迭代算法，我们都假设模型已知，也就是环境的动态特性（比如各种概率）我们都预先知道。然而在实际问题中，我们可能对环境的动态特性并不是那么清楚，但是我们可以得到足够多的数据，那么我们同样可以用强化学习来建模解决这个问题，这类不利用模型的算法被称为Model-free的方法。Monte Carlo方法便是一种Model-free的方法。

一、 Motivating example

下面我们通过一个例子对Model-free有一个更加直观的了解，以及Monte Carlo方法是怎么做的，这个例子是概率论中的典型例子——Monty Hall Problem.

Suppose you’re on a game show, and you’re given the choice of three doors: Behind one door is a car; behind the others, goats. You pick a door, say No. 1, and the host, who knows what’s behind the other doors, opens another door, say No. 3, which has a goat. He then says to you, ‘Do you want to pick door No. 2?’ Is it to your advantage to take the switch?

由概率论的基本知识我们可以算出每种情况的概率如下：

1. 不改变选择，选中car的概率为$p=\frac{1}{3}$；
2. 改变选择，选中car的概率$p=\frac{2}{3}$.

如果我们不能通过理论知识得到这个概率，能不能通过做实验来得到这个结果呢？这就是Monte Carlo要做的事，我们可以通过python编程来模拟这个游戏：

import numpy as np
import matplotlib.pyplot as pltdef game(switch):doors = [0, 0, 1]  # 0代表山羊，1代表汽车np.random.shuffle(doors)# 参赛者初始选择一扇门choice = np.random.randint(3)# 主持人打开一扇有山羊的门reveal = np.random.choice([i for i in range(3) if i != choice and doors[i] == 0])if switch:new_choice = [i for i in range(3) if i != choice and i != reveal][0]return doors[new_choice]  # 返回参赛者的奖励结果，1代表获得汽车，0代表获得山羊else:return doors[choice]# 模拟实验
num_trials = 2000
switch_rewards = []     # 记录每次选择换门后的奖励
no_switch_rewards = []  # 记录每次选择坚持原先选择的奖励
switch_wins = 0     # 记录换门策略的获胜次数
no_switch_wins = 0  # 记录坚持原先选择的获胜次数for i in range(num_trials):# 选择换门switch_result = game(switch=True)switch_rewards.append(switch_result)if switch_result == 1:switch_wins += 1# 选择坚持原先选择的门no_switch_result = game(switch=False)no_switch_rewards.append(no_switch_result)if no_switch_result == 1:no_switch_wins += 1# 计算每次试验的平均奖励
switch_avg_rewards = np.cumsum(switch_rewards) / (np.arange(num_trials) + 1)
no_switch_avg_rewards = np.cumsum(no_switch_rewards) / (np.arange(num_trials) + 1)# 绘制平均奖励曲线
plt.figure(dpi=150)
plt.plot(np.arange(num_trials), switch_avg_rewards, label='换门')
plt.plot(np.arange(num_trials), no_switch_avg_rewards, label='坚持原先选择')
plt.xlabel('试验次数')
plt.ylabel('平均奖励')
plt.title('2000次试验中的平均奖励')
plt.legend()
plt.show()# 输出获胜概率
switch_win_percentage = switch_wins / num_trials
no_switch_win_percentage = no_switch_wins / num_trials
print("选择换门的获胜概率:", switch_win_percentage)
print("选择坚持原先选择的获胜概率:", no_switch_win_percentage)

结果如下：

我们可以看到，随着实验次数的增加，概率逐渐收敛到理论值，而这有大数定理进行理论保证.通过这个例子我们可以看到即使我们不知道模型的某些性质（这里是p），但我们可以通过Monte Carlo的方法来得到近似值.

• 第一个等式说明样本均值是$\mathbb{E}[X]$的无偏估计;

二、 MC-Basic method

我们回顾一下Policy iteration 的核心算法步骤：
$$\{\begin{array}{l}\text{Policy evaluation: }{v}_{{\pi }_k}=r_{{\pi }_k}+\gamma P_{{\pi }_k}{v}_{{\pi }_k}\\ \text{Policy improvement: }{\pi }_{k+1}=\arg {\max }_{\pi }(r_{\pi }+\gamma P_{\pi }{v}_{{\pi }_k})\end{array}$$
其中我们将PI展开如下：
$$\begin{array}{rl}{\pi }_{k+1}(s)& =\arg \underset{\pi }{\max }\sum _a\pi (a|s)\left[\sum _{r}p(r|s,a)r+\gamma \sum _{s^{\prime }}p(s^{\prime }|s,a)v_{{\pi }_k}(s^{\prime })\right]\\ & =\arg \underset{\pi }{\max }\sum _a\pi (a|s)q_{{\pi }_k}(s,a),s\in \mathcal{S}\end{array}$$
从上面的表达式我们可以看到，无论是算$v$还是$q$都需要知道模型的概率$p(s^{\prime }|s,a)$，但在Model-free算法里我们不知道$p$，所以需要用Monte Carlo的方法进行估计，但是在这里我们不估计$p$，而是直接估计$q(s,a)$，因为有了$p$还需要算一下$q$，所以直接估计$q$更高效，下面给出伪代码.

其核心思想就是通过Monte Carlo的方法来估计所有的$q(s,a)$，通过实验得到很多$q(s,a)$的数据，然后用均值作为其准确值的估计.

三、MC Exploring Starts

在上面的算法中，给定一个策略$\pi$，我们可以得到如下的一个episode:

• 每一个episode包含多个$(s,a)$，但在上面的算法中我们只用来计算第一个$(s,a)$的$q$
• 显然我们可以充分利用每一个episode的数据

• 每个episode的数据只用来计算第一个$q(s,a)$的值被称为first-visit method;
• 每个episode的数据用来计算episode中每个$q(s,a)$的值被称为every-visit method.

Note:

1. 要确保所有$(s,a)$都被计算到，Exploring Starts意味着我们需要从每个$(s,a)$对开始生成足够多的episode.
2. 在实践中，该算法很难实现的。对于许多应用，特别是那些涉及与环境的物理交互的应用，很难从每个state-action pair.作为起始点得到一段episode.
3. 因此，理论和实践之间存在差距。我们可以去掉Exploring Starts的假设吗?答案是肯定的，可以通过使用soft policy来实现这一点。

四、MC without exploring starts

Soft Policy

如果一个策略$\pi$采取任何行动的概率为正，则称为soft policy.

• 在soft policy下，一些足够长的episodes中可能就会包含每个状态-动作对足够多次;
• 然后，我们不需要从每个状态-动作对开始采集大量episodes.

下面介绍一种soft policy——$\epsilon$ -greedy策略：
$$\pi (a\mid s)=\{\begin{array}{ll}1-\frac{\epsilon }{|\mathcal{A}(s)|}(|\mathcal{A}(s)|-1),& \text{ for the greedy action, }\\ \frac{\epsilon }{|\mathcal{A}(s)|},& \text{ for the other }|\mathcal{A}(s)|-1\text{ actions. }\end{array}$$
其中$\epsilon \in [0,1]$和$|\mathcal{A}(s)|$是$s$的总数。

• 选择贪婪行动的机会总是大于其他行动，因为$1-\frac{\epsilon }{|\mathcal{A}(s)|}(|\mathcal{A}(s)|-1)=1-\epsilon +\frac{\epsilon }{|\mathcal{A}(s)|}\ge \frac{\epsilon }{|\mathcal{A}(s)|}$。
• 为什么使用$\epsilon$ -greedy?Balance between exploitation and exploration
  • 当$\epsilon =0$​，它变得贪婪! Less exploration but more exploitation.
  • 当$\epsilon =1$时，它成为均匀分布。More exploration but less exploitation.

如何将$\epsilon$ -greedy嵌入到MC-Basic的强化学习算法中?现在，将策略改进步骤改为:
$${\pi }_{k+1}(s)=\arg \underset{\pi \in {\Pi }_{\epsilon }}{\max }\sum _a\pi (a\mid s)q_{{\pi }_k}(s,a),$$
其中${\Pi }_{\epsilon }$表示所有$\epsilon$ -greedy策略的集合，其固定值为$\epsilon$。这里的最佳策略是
$${\pi }_{k+1}(a\mid s)=\{\begin{array}{ll}1-\frac{|\mathcal{A}(s)|-1}{|\mathcal{A}(s)|}\epsilon ,& a=a_k^{\ast },\\ \frac{1}{|\mathcal{A}(s)|}\epsilon ,& a\ne a_k^{\ast }.\end{array}$$

• MC $\epsilon$ -greedy与MC Exploring Starts相同，只是前者使用$\epsilon$ -greedy策略。
• 它不需要从每个(s,a)出发开始得到episode，但仍然需要以不同的形式访问所有状态-动作对。

算法伪代码如下图所示：

五、参考资料

1. Zhao, S… Mathematical Foundations of Reinforcement Learning. Springer Nature Press and Tsinghua University Press.
2. Sutton, Richard S., and Andrew G. Barto. Reinforcement learning: An introduction. MIT press, 2018.