共计 5659 个字符，预计需要花费 15 分钟才能阅读完成。
强化学习根底篇【1】：根底知识点、马尔科夫决策过程、蒙特卡洛策略梯度定理、REINFORCE 算法
1. 强化学习根底知识点
智能体（agent）：智能体是强化学习算法的主体，它可能依据教训做出主观判断并执行动作，是整个智能零碎的外围。
环境（environment）：智能体以外的所有统称为环境，环境在与智能体的交互中，能被智能体所采取的动作影响，同时环境也能向智能体反馈状态和处分。虽说智能体以外的所有都可视为环境，但在设计算法时经常会排除不相干的因素建设一个现实的环境模型来对算法性能进行模仿。
状态（state）：状态能够了解为智能体对环境的一种了解和编码，通常蕴含了对智能体所采取决策产生影响的信息。
动作（action）：动作是智能体对环境产生影响的形式，这里说的动作经常指概念上的动作，如果是在设计机器人时还需思考动作的执行机构。
策略（policy）：策略是智能体在所处状态上来执行某个动作的根据，即给定一个状态，智能体可依据一个策略来抉择应该采取的动作。
处分（reward）：处分是智能体贯式采取一系列动作后从环境取得的收益。留神处分概念是事实中处分和惩办的统合，个别用正值来代表处分，用负值代表理论惩办。
:
在 flappy bird 游戏中，小鸟即为智能体，除小鸟以外的整个游戏环境可统称为环境，状态能够了解为在以后工夫点的游戏图像。在本游戏中，智能体能够执行的动作为向上飞，或什么都不做靠重力降落。策略则指小鸟根据什么来判断是要执行向上飞的动作还是什么都不做，这个策略可能是依据值函数大小判断，也可能是根据在以后状态下执行不同动作的概率或是其余的判断办法。处分分为处分和惩办两种，每当小鸟平安的飞过一个柱子都会取得一分的处分，而如果小鸟掉到地上或者撞到柱子则或取得惩办。
2. 马尔科夫决策过程
图 1: 经典吃豆人游戏
在经典的吃豆人游戏中，吃豆人通过对环境进行察看，抉择上下左右四种动作中的一种进行本身挪动，吃掉豆子取得分数处分，并同时规避幽灵避免被吃。吃豆人每更新一次动作后，都会取得环境反馈的新的状态，以及对该动作的分数处分。在这个学习过程中，吃豆人就是智能体，游戏地图、豆子和幽灵地位等即为环境，而智能体与环境交互进行学习最终实现目标的过程就是马尔科夫决策过程（Markov decision process，MDP）。
图 2: 马尔科夫决策过程中的智能体 - 环境交互
上图形式化的形容了强化学习的框架，智能体（Agent）与环境（Environment）交互的过程：在 $t$ 时刻，智能体在以后状态 $S_t$ 采取动作 $A_t$。在下一时刻 $t+1$，智能体接管到环境反馈的对于动作 $A_t$ 的处分 $R_{t+1}$，以及该时刻状态 $S_{t+1}$。从而，MDP 和智能体独特给出一个轨迹：
$$
S_0,A_0,R_1,S_1,A_1,R_2,S_2,A_2,R_3,S_3,A_3,…
$$
接下来，更具体地定义以下标识：
- $S_t$ 是无限的状态汇合
- $A_t$ 是无限的动作汇合
- $P$ 是基于环境的状态转移矩阵：其中每一项为智能体在某个状态 $s$ 下，采取动作 $a$ 后，与环境交互后转移到其余状态 $s^{‘}$ 的概率值，示意为 $P(S_{t+1}=s^{‘}|s_{t}=s,a_{t}=a)$
- R 是处分函数：智能体在某个状态 $s$ 下，采取动作 $a$ 后，与环境交互后所取得的处分，示意为 $R(s_{t}=s,a_{t}=a)$
- $\gamma$ 是折扣因子 (discounted factor)，取值区间为 $[0,1]$
所以 MDP 过程能够示意为 $(S,A,P,R,\gamma)$，如果该过程中的状态转移矩阵 $P$ 和处分 $R(s,a)$ 对智能体都是可见的，咱们称这样的 Agent 为 Model-based Agent，否则称为 Model-free Agent。
3. 策略梯度定理
策略函数的参数化可示意为 $\pi_{\theta}(s,a)$，其中 $\theta$ 为一组参数，函数取值示意在状态 $s$ 下抉择动作 $a$ 的概率。为了优化策略函数，首先须要有一个对策略函数优劣进行掂量的规范。假如强化学习问题的初始状态为 $s_{0}$，则心愿达到最大化的指标为
$$
J(\theta) := V_{\pi_{\theta}}(s_{0})
$$
其中，$v_{\pi_{\theta}}$ 是在策略 $\pi_{\theta}$ 下的实在价值函数，这个价值函数代表掂量一个状态的价值，即一个状态采取所有行为后的一个价值的期望值。如果能求出梯度 $\nabla_{\theta}J(\theta)$，就能够用梯度回升法求解这个问题，即求解价值函数的最大值。
在这个函数中，$J(\theta)$ 既依赖于动作的抉择有依赖于动作抉择时所处状态的散布。给定一个状态，策略参数对动作抉择及收益的影响能够依据参数比拟直观地计算出来，但因为状态散布和环境无关，所以策略对状态散布的影响个别很难确切晓得。而 $J(\theta)$ 对模型参数的梯度却依赖于这种未知影响，那么如何预计这个梯度呢？
Sutton 等人在文献中给出了这个梯度的表达式：
$$
\nabla_{\theta}J(\theta)\propto\sum_{s}\mu_{\pi_{\theta}}(s)\sum_{a}q_{\pi_{\theta}}(s,a)\nabla_{\theta}\pi_{\theta}(s,a)
$$
其中，$\mu_{\pi_{\theta}}(s)$ 称为策略 $\pi_{\theta}$ 的在策略散布。在继续问题中，$\mu_{\pi_{\theta}}(s)$ 为算法 $s_{0}$ 登程通过有限多步后位于状态 $s$ 的概率。
策略梯度定理的证实：（留神：在证实过程中，为使符号简略，咱们在所有公式中隐去了 $\pi$ 对 $\theta$ 的依赖）
$$
\scriptsize{
\begin{align}
\nabla v_{\pi}(s) &= \nabla[\sum_{a}\pi(a|s)q_{\pi}(s,a) \\
&= \sum_{a}[\nabla\pi(a|s)q_{\pi}(s,a)+\pi(a|s)\nabla q_{\pi}(s,a)] \\
&= \sum_{a}[\nabla\pi(a|s)q_{\pi}(s,a)+\pi(a|s)\nabla\sum_{s^{‘},r}p(s^{‘},r|s,a)(r+v_{\pi}(s^{‘}))] \\
&= \sum_{a}[\nabla\pi(a|s)q_{\pi}(s,a)+\pi(a|s)\sum_{s^{‘}}p(s^{‘}|s,a)\nabla v_{\pi}(s^{‘})] \\
&= \sum_{a}[\nabla\pi(a|s)q_{\pi}(s,a)+\pi(a|s)\sum_{s^{‘}}p(s^{‘}|s,a)\sum_{a^{‘}}[\nabla\pi(a^{‘}|s^{‘})q_{\pi}(s^{‘},a^{‘})+\pi(a^{‘}|s^{‘})\sum_{s^{”}}p(s^{”}|s^{‘},a^{‘})\nabla v_{\pi}(s^{”})]] \\
&= \sum_{s \in S}\sum_{k=0}^{\infty}Pr(s\rightarrow x,k,\pi)\sum_{a}\nabla\pi(a|x)q_{\pi}(x,a)
\end{align}}
$$
其中，$Pr(s\rightarrow x,k,\pi)$ 是在策略 $\pi$ 下，状态 $s$ 在 $k$ 步内转移到状态 $x$ 的概率。所以，咱们能够失去：
$$
\begin{align}
\nabla J(\theta) &= \nabla v_{\pi}(s_{0}) \\
&= \sum_{s}(\sum_{k=0}^{\infty}Pr(s_{0}\rightarrow s,k,\pi))\sum_{a}\nabla\pi(a|s)q_{\pi}(s,a) \\
&= \sum_{s}\eta(s)\sum_{a}\nabla\pi(a|s)q_{\pi}(s,a) \\
&= \sum_{s^{‘}}\eta(s^{‘})\sum_{s}\frac{\eta(s)}{\sum_{s^{‘}}\eta(s^{‘})}\sum_{a}\nabla\pi(a|s)q_{\pi}(s,a) \\
&= \sum_{s^{‘}}\eta(s^{‘})\sum_{s}\mu(s)\sum_{a}\nabla\pi(a|s)q_{\pi}(s,a) \\
&\propto\sum_{s}\mu(s)\sum_{a}\nabla\pi(a|s)q_{\pi}(s,a)
\end{align}
$$
4. 蒙特卡洛策略梯度定理
依据策略梯度定理表达式计算策略梯度并不是一个简略的问题，其中对 $\mu_{\pi_{\theta}}$ 和 $q_{\pi_{\theta}}$ 的精确预计原本就是难题，更不要说进一步求解 $\nabla_{\theta}J(\theta)$ 了。好在蒙特卡洛法能被用来预计这类问题的取值，因而首先要对策略梯度定理表达式进行如下的变形：
$$
\begin{align}
\nabla_{\theta}J(\theta) &\propto\mu_{\pi_{\theta}}(s)\sum_{a}q_{\pi_{\theta}}(s,a)\nabla_{\theta}\pi_{\theta}(s,a) \\
&= \sum_{s}\mu_{\pi_{\theta}}(s)\sum_{a}\pi_{\theta}(s,a)[q_{\pi_{\theta}}(s,a)\frac{\nabla_{\theta}\pi_{\theta}(s,a)}{\pi_{\theta}(s,a)}] \\
&= \mathbb{E}_{s, a\sim\pi}[q_{\pi_{\theta}}(s,a)\frac{\nabla_{\theta}\pi_{\theta}(s,a)}{\pi_{\theta}(s,a)}] \\
&= \mathbb{E}_{s, a\sim\pi}[q_{\pi_{\theta}}(s,a)\nabla_{\theta}\ln{\pi_{\theta}(s,a)}]
\end{align}
$$
上式为梯度策略定理的一个常见变形，但因为式中存在 $q_{\pi_{\theta}}$，算法无奈间接应用蒙特卡洛法来求取其中的冀望。为此，进一步将该式进行变形，失去：
$$
\begin{align}
\nabla_{\theta}J(\theta) &\propto\mathbb{E}_{s, a\sim\pi}[\mathbb{E}_{T(s, a)\sim\pi}[G_{t}|s,a]\nabla_{\theta}\ln{\pi_{\theta}(s,a)}] \\
&= \mathbb{E}_{s, a\sim\pi}[G_{t}\nabla_{\theta}\ln{\pi_{\theta}(s,a)}]
\end{align}
$$
其中，$T(s,a)$ 示意从状态 $s$ 开始执行动作 $a$ 失去的一条轨迹（不包含 $s$ 和 $a$），$G_{t}$ 为从状态 $s$ 开始沿着轨迹 $T(s,a)$ 静止所得的回报。能够应用蒙特卡洛采样法来求解（即上述公式），算法只须要依据策略来采样一个状态 $s$、一个动作 $a$ 和未来的轨迹，就能结构上述公式中求取冀望所对应的一个样本。
5.REINFORCE 算法
REINFORCE（蒙特卡洛策略梯度）算法是一种策略参数学习办法，其中策略参数 $\theta$ 的更新办法为梯度回升法，它的指标是为了最大化性能指标 $J(\theta)$ , 其更新公式为：
$$
\theta_{t+1} = \theta_{t} + \alpha\widehat{\nabla J(\theta_t)}
$$
依据蒙特卡洛定理中对 $\nabla_{\theta}J(\theta)$ 的计算，则有：
$$
\nabla_{\theta}J(\theta) = \mathbb{E}_{s, a\sim\pi}[G_{t}\nabla_{\theta}\ln{\pi_{\theta}(s,a)}]
$$
根据上述梯度更新公式，失去蒙特卡洛策略梯度更新公式：
$$
\theta = \theta + \eta\gamma^{‘} G\nabla_\theta\ln\pi_\theta(s_t, a_t)
$$
其中，$\eta$ 为学习率，$\gamma^{‘}$ 为衰减率，在 REINFORCE 算法中，暂不思考衰减问题，设置 $\gamma^{‘} = 1$。
REINFORCE 算法流程：
输出：马尔可夫决策过程 $MDP=(S, A, P, R, \gamma)$，即状态，智能体，决策，处分和折现系数，$\gamma = 1$，暂不探讨。
输入：策略 $\pi(a|s, \theta)$，即在状态为 s，参数为 $\theta$ 的条件下，抉择动作 a 的概率。
算法的具体流程：
随机初始化；
- repeat
依据策略 $\pi_\theta$ 采样一个片段 (episode，即智能体由初始状态一直通过动作与环境交互，直至终止状态的过程)，取得 $s_0, a_0, R_1, s_1, …, s_T-1, a_T-1, R_T$；
for $t \leftarrow 0$ to $T – 1$ do
$G \leftarrow \sum_{k=1}^{T-t} \gamma_{k-1} R_{t+k}$，G 是对回报的计算，回报是处分随工夫步的积攒，在本试验中，$\gamma = 1$。
- $\theta = \theta + \eta\gamma^{‘} G\nabla_\theta\ln\pi_\theta(s_t, a_t)$，其中 $\eta$ 是学习率。策略梯度算法采纳神经网络来拟合策略梯度函数，计算策略梯度用于优化策略网络。
- 直到 $\theta$ 收敛
更多文章请关注公重号：汀丶人工智能
