前言:学习了 Sutton 的《强化学习(第二版)》第6章时序差分学习的控制部分,将笔记提炼如下。
笔者阅读的是中文书籍,所提到的公式,笔者将给出其在英文书籍上的页码。英文书籍见 Sutton 个人主页:
/book/the-book.html
本次笔记内容:
6.4 Sarsa:同轨策略下的时序差分控制6.5 Q 学习:离轨策略下的时序差分控制6.6 期望 Sarsa6.7 最大化偏差与双学习6.8 游戏、后位状态和其他特殊例子6.9 本章小结
在上一次笔记中,我们讨论了 动态规划( Dynamic Programming, DP )、蒙特卡洛方法( Monte Carlo Method, MC )与时序差分学习( Temporal Difference Learning, TD )的异同,以及时序差分学习中的预测算法。本次笔记中我们讨论其控制部分算法,其概述如下。
Sarsa 是同轨策略下的时序差分控制,;Q-learning 是离轨策略下的时序差分控制;期望 Sarsa 的表现比上述二者表现都更好( van Hasselt, ),并且被称为“广义 Q 学习”;然而,单纯的最大化操作带来了“最大化偏差”,因此我们提出“双学习”来消除“最大化偏差”;此外,我们还引出了如“后位状态”的概念,没有具体讨论。
书中展示了4段实例, Zhang 都有相应代码进行实现,分别介绍如下知识点:
有风的网格世界(Example 6.5: Windy Gridworld)介绍 Sarsa 的性能;在悬崖边行走(Example 6.6: Cliff Walking)对比了基于ϵ\epsilonϵ-贪心方法的 Sarsa 与 Q-learning 的控制效果;接着,在介绍 期望 Sarsa 时也使用了 Cliff Walking 实例对其效果进行展示;最大化偏差实例(Example 6.7: Maximization Bias Example)用于表达:双 Q 学习优于 Q 学习。
我对其代码进行了标注,请见/PiperLiu/Reinforcement-Learning-practice-zh/blob/master/practice/05-02-Temporal-Difference-Control.ipynb。并且,我还由代码及实验结果,复述了我对于书上提出的算法对比特性的理解。
Sarsa
基于同轨策略,其更新公式为:
Q(St,At)←Q(St,At)+α[Rt+1+γQ(St+1,At+1)−Q(St,At)]Q(S_t,A_t) \leftarrow Q(S_t,A_t) + \alpha [ R_{t+1} + \gamma Q( S_{t+1}, A_{t+1} ) - Q_(S_t , A_t ) ]Q(St,At)←Q(St,At)+α[Rt+1+γQ(St+1,At+1)−Q(St,At)]
可以看出与之前“时序差分预测”中的价值预测公式很像。
如果 St+1S_{t+1}St+1 是终止状态,那么Q(St+1,At+1Q( S_{t+1}, A_{t+1}Q(St+1,At+1则定义为0。这个公式用到了元组(St,At,Rt+1,St+1,At+1)(S_t,A_t,R_{t+1},S_{t+1},A_{t+1})(St,At,Rt+1,St+1,At+1),因此该算法命名为 Sarsa 。
Sarsa 想要以1的概率收敛到最优的策略和动作价值函数,需要满足2个条件:
所有的“状态-动作”二元组都被无限多次访问到;贪心策略在极限情况下能够收敛(收敛过程可以通过令 ϵ=1/t\epsilon = 1/tϵ=1/t 来实现)。
算法框架中,每幕中的每步都要更新 Q ,不具体展示框架了,可见书第6章。
Q-learning
更新公式为:
Q(St,At)←Q(St,At)+α[Rt+1+γmaxaQ(St+1,a)−Q(St,At)]Q(S_t,A_t) \leftarrow Q(S_t, A_t) + \alpha [R_{t+1} + \gamma \max_a Q(S_{t+1}, a) - Q(S_t, A_t)]Q(St,At)←Q(St,At)+α[Rt+1+γamaxQ(St+1,a)−Q(St,At)]
只是变了个更新公式而已,连算法框图都没变,为什么说 Q-learning 是离轨策略呢?
书上的解释:In this case, the learned action-value function, Q, directly approximates q*, the optimal action-value function, independent of the policy being followed.我的理解:在公式中用于更新的动作为 arg maxaQ(S′,a)\argmax_a Q(S' , a)aargmaxQ(S′,a) ,而下一步却未必是 arg maxaQ(S′,a)\argmax_a Q(S' , a)aargmaxQ(S′,a) ,因此为离轨策略。
我的理解方式没有错,并且,这个理解会辅助对于“最大化偏差”部分的学习。
期望 Sarsa
Q(St,At)←Q(St,At)+α[Rt+1+γE[Q(St+1,At+1)∣St+1]−Q(St,At)]←Q(St,At)+α[Rt+1+γ∑aπ(a∣St+1)Q(St+1,a)−Q(St,At)]\begin{aligned} Q(S_t, A_t) & \leftarrow Q(S_t, A_t) + \alpha [R_{t+1} + \gamma \mathbb{E}[ Q(S_{t+1}, A_{t+1}) | S_{t+1}] - Q(S_t, A_t)]\\ & \leftarrow Q(S_t, A_t) + \alpha [R_{t+1} + \gamma \sum_a \pi(a | S_{t+1}) Q(S_{t+1},a) - Q(S_t, A_t)]\\ \end{aligned}Q(St,At)←Q(St,At)+α[Rt+1+γE[Q(St+1,At+1)∣St+1]−Q(St,At)]←Q(St,At)+α[Rt+1+γa∑π(a∣St+1)Q(St+1,a)−Q(St,At)]
虽然计算上更为复杂,但它消除了 Sarsa 中因为随机选择 At+1A_{t+1}At+1 而带来的方差。并且,对于 cliff walking 中的情况,期望 Sarsa 将保持 Sarsa 相对于 Q-learning 的“能学到迂回策略”的优势。
最大化偏差与双学习
最大化偏差
上述算法中,通常是基于 ϵ−\epsilon-ϵ−贪心 来产生策略的,这其中都用到了“最大化操作”。
但是,如果在估计值的基础上进行最大化操作,就是隐式地对最大值进行估计,而这就会产生一个显著的正偏差。例子如下。
如图的MDP,A为起点,做动作 left ,则0收益;做动作 right ,之后获得的收益服从 正态分布 N(-0.1, 1)。
我们知道最优策略应该是 100% 做动作 left 。
但是,如果使用了最大化操作,动作 right 的估计值是不确定的,有些可能大于0,则估计值的最大值就产生了正数,就产生了正偏差。就是最大化偏差。
双学习
双学习可以消除最大化偏差。双学习使用了2倍的内存,但计算量无需双倍。
以双Q学习为例:
使用 Q1Q1Q1 来估计 A∗=arg maxaQ1(a)A^* = \argmax_a Q_1(a)A∗=aargmaxQ1(a) ,而 Q2Q_2Q2 负责估计 Q2(A∗)=Q2(arg maxaQ1(a))Q_2(A^*) = Q_2(\argmax_a Q_1 (a))Q2(A∗)=Q2(aargmaxQ1(a)) ,由于 E[Q2(A∗)]=q(A∗)\mathbb{E} [Q_2 (A^*)] = q(A^*)E[Q2(A∗)]=q(A∗) ,因此这个估计是无偏的。
即更新公式换为:
With0.5probabilility:Q1(St,At)←Q1(St,At)+α[Rt+1+γQ2(St+1,arg maxaQ1(St+1,a))−Q1(St,At)]else:Q2(St,At)←Q2(St,At)+α[Rt+1+γQ1(St+1,arg maxaQ2(St+1,a))−Q2(St,At)]\begin{aligned} & With \; 0.5 \; probabilility: \\ & \quad Q_1(S_t,A_t) \leftarrow Q_1(S_t, A_t) + \alpha [R_{t+1} + \gamma Q_2(S_{t+1}, \argmax_a Q_1(S_{t+1}, a)) - Q_1(S_t, A_t)] \\ & else: \\ & \quad Q_2(S_t,A_t) \leftarrow Q_2(S_t, A_t) + \alpha [R_{t+1} + \gamma Q_1(S_{t+1}, \argmax_a Q_2(S_{t+1}, a)) - Q_2(S_t, A_t)] \\ \end{aligned}With0.5probabilility:Q1(St,At)←Q1(St,At)+α[Rt+1+γQ2(St+1,aargmaxQ1(St+1,a))−Q1(St,At)]else:Q2(St,At)←Q2(St,At)+α[Rt+1+γQ1(St+1,aargmaxQ2(St+1,a))−Q2(St,At)]
后位状态
后位状态我读了两遍,差不多明白了其意思:类似下棋的游戏中,可以由不同的状态,经过不同的动作,达到同一状态(棋盘摆放位置同),我们叫这个为后位状态。在这种情况中,后位状态显然更为重要。这很有趣,应该找些实例继续了解。
Van Roy, Bertsekas, Lee, Tsitsiklis, 1997; Powell, 对其进行了研究。