版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/Solo95/article/details/102500566
MDP Control
在这节内容里我们不讨论如何学习策略,我们仅仅探讨计算最佳策略。 计算最佳策略和计算最佳价值都属于MDP Control。
- 计算最佳策略 π∗(s)=argmaxπVπ(s)\pi^*(s)=\mathop{argmax}\limits_{\pi} V^\pi(s)π∗(s)=πargmaxVπ(s)
- 存在一个独一无二的最优价值函数
- 在一个有限horizon内MDP的最优策略是确定的
最后一条是一个非常好的原因,能够解答为什么我们仅仅关注确定性策略就已经足够解决问题。
火星小车可以移动。
那么一共有多少个确定性策略?
272^727 计算公式∣A∣∣s∣|A|^{|s|}∣A∣∣s∣
MDP的最优策略永远是独一无二的吗?
不是的。因为可能存在两个不同的动作由相同的价值函数。
在上面这个例子中,最优价值函数是独一无二的,虽然可以有多个最优策略,但这些策略计算出来的价值的最大值是一样的。
同时,我们假定在所有的状态下所有的动作都是能够进行的。虽然在现实世界,这可能并不成立。在很多实际例子中,一些动作是指定在某些状态下才能执行的。
总结下来:
- 计算最佳策略
π∗(s)=argmaxπVπ(s)\pi^*(s)=\mathop{argmax}\limits_{\pi} V^\pi(s)π∗(s)=πargmaxVπ(s) - 存在一个独一无二的最优价值函数
- 在一个有限horizon内MDP的最佳策略(哪怕agent永远在行动)
- 确定的(Deterministic)
- 固定不动的(Stationary, does not depend on tims step)
- 独一无二的?不需要非得是独一无二的,可能有多个状态-动作对拥有相同的最佳价值。
策略搜索
- 一个选项是使用搜索去计算最佳策略
- 确定性策略的数量是∣A∣∣S∣|A|^{|S|}∣A∣∣S∣
- 策略迭代通常比暴力枚举更高效
MDP Policy Iteration(PI)
(下面是是一个算法,Markdown代码模式无法输入公式,所以写成这样)
- Set i = 0
- Initialize π0(s)\pi_0(s)π0(s) randomly for all states s
- While i==0i == 0i==0 or ∥πi−πi−1∥>0|\pi_i-\pi_{i-1}|>0∥πi−πi−1∥>0 (L1L_1L1-norm, measures if the policy changed for any state):
- Vπi←MDPV^{\pi_i} \leftarrow MDPVπi←MDP V function policy evaluation of πi\pi_iπi
- πi+1←\pi_{i+1} \leftarrowπi+1← Policy improvement
- i = i + 1
New Dedinition: State-Action Value Q
为了定义我们如何改进一个策略,我们定义状态-动作价值 Q。
在之前的叙述中,我们使用如下notation描述状态-动作价值: Vπ(s)V^\pi(s)Vπ(s) 即,采用策略π\piπ时在状态s下的动作价值。这里我们定义新的概念,同时也定义了Q函数。
一个策略的状态-动作价值是: Qπ(s,a)=R(s,a)+γ∑s′∈SP(s′∣s,a)Vπ(s′)Q^\pi(s, a) = R(s, a) + \gamma \sum_{s' \in S}P(s'|s,a)V^\pi(s')Qπ(s,a)=R(s,a)+γ∑s′∈SP(s′∣s,a)Vπ(s′)
它的直观理解是,我先采取动作a,然后再遵循策略π\piπ。
Policy Imporvement
- Compute state-action value of a policy πi\pi_iπi
- For s in S and a in A:
- Qπi(s,a)=R(s,a)+γ∑s′∈SP(s′∣s,a)Vπi(s′)Q^{\pi_i}(s, a) = R(s, a) + \gamma \sum_{s' \in S}P(s'|s,a)V^{\pi_i}(s')Qπi(s,a)=R(s,a)+γ∑s′∈SP(s′∣s,a)Vπi(s′)
- For s in S and a in A:
- Compute new policy πi+1\pi_{i+1}πi+1, for all s∈Ss\in Ss∈S
- πi+1(s)=argmaxaQπi(s,a)\pi_{i+1}(s) =\mathop{argmax}\limits_{a}Q^{\pi_i}(s,a)πi+1(s)=aargmaxQπi(s,a) ∀s inS\forall s \ in S∀s inS
上面的等式中,maxaQπi(s,a)≥Qπi(s,πi(s))\mathop{max}\limits_{a} Q^{\pi_i}(s, a)\geq Q^{\pi_i}(s, \pi_i(s))amaxQπi(s,a)≥Qπi(s,πi(s)),也就是说,agent要么采取了策略指定的动作,要么采取了经由argmaxargmaxargmax Q function计算得到的更好的动作,从而产生了新的策略。
如果采用梯度下降的策略迭代方法,跟其他深度学习方法一样,会有局部最优值的问题,但是目前的情景下不会遇到这样的情况。
更进一步理解优化(改进)步骤:
- 假设我们在一个action采取了计算的得到的πi+1(s)\pi_{i+1}(s)πi+1(s),然后再一直遵循旧的πi\pi_iπi。
- 我们的回报期望总值至少和从头到尾遵循πi\pi_iπi一样
- 但是奇怪的是,新提出的策略将会一直遵循πi+1\pi_{i+1}πi+1
改进步骤将会单调递增地改进策略价值。
为什么?
Momotonic Improvement in Policy Value
定义(Definition): Vπ1≥Vπ2:Vπ1(s)≥Vπ2(s),∀s∈SV^{\pi_1}\geq V^{\pi_2}: V^{\pi_1}(s) \geq V^{\pi_2}(s), \forall s \in SVπ1≥Vπ2:Vπ1(s)≥Vπ2(s),∀s∈S
命题(Proposition): Vπi+1≥VπiV^{\pi_{i+1}}\geq V^{\pi_i}Vπi+1≥Vπi,在πi\pi_iπi是次优的条件下,这个不等式严格成立,其中πi+1\pi_{i+1}πi+1是我们在πi\pi_iπi上进行策略优化得到的。
证明过程如下:
证明思路总结如下:不等式右边按定义展开,然后再构造另一个不等式,这个不等式的右边可以展开成一个迭代过程,刚好等于Vπi+1(s)V^{\pi_{i+1}(s)}Vπi+1(s)。
回顾前述内容策略优化的过程:
如果策略不发生改变了,策略有再次发生改变的可能性吗?
没有。πi+1=πi\pi_{i+1}=\pi_{i}πi+1=πi
有策略迭代次数的最大值吗?
有,如前面提到的∥A∥∥S∥\|A\|^{\|S\|}∥A∥∥S∥
博主在学习TD Learning之后回来补充一点:这其实就是Q-Learining。
MDP: Computing Optimal Policy and Optimal Value
- 策略迭代计算最优价值和最优策略
- 价值迭代是另外一种技术:
- 思想:在本轮(this episode)中,从状态s开始还剩下k步,这维持了一个最优值。
- 迭代地以类似方式思考后面的轮次。
这和策略地带的不同之处在于: 在策略迭代中,你总是都有一个策略,并且你知道它的价值,只是这个策略可能不是很好。 在价值迭代中,你总是知道策略中的最优价值,但是你仅仅需要执行k步才能得到。
Bellman Equation and Bellman Backup Operators
一个策略的价值函数必须满足Bellman Equation: Vπ(s)=Rπ(s)+γ∑s′∈SPπ(s′∣s)Vπ(s′)V^\pi(s)=R^\pi(s) + \gamma \sum_{s' \in S}P^\pi(s'|s)V^\pi(s')Vπ(s)=Rπ(s)+γs′∈S∑Pπ(s′∣s)Vπ(s′)
- Bellman backup operator
- 应用于一个价值函数
- 返回一个新的价值函数
- 尽可能的提升价值 BV(s)=maxaR(s,a)+γ∑s∈Sp(s′∣s,a)V(s′)BV(s) = \mathop{max}\limits_{a}R(s,a)+\gamma\sum_{s \in S}p(s'|s,a)V(s')BV(s)=amaxR(s,a)+γs∈S∑p(s′∣s,a)V(s′)
有时我们会使用BV来表示Bellman Operator,意思是,在每次迭代,你取就的V值代入上式的右边计算新的V值。
Value Iteration (VI)
算法表示如下:
- Set k = 1
- Initialize V0(s)=0V_0(s)=0V0(s)=0 for all states s
- Loop until [finite horizon, convergence]:
- For each state s
- Vk+1(s)=maxaR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s′)V_{k+1}(s) = \mathop{max}\limits_{a}R(s,a)+\gamma\sum_{s' \in S}P(s'|s,a)V_k(s')Vk+1(s)=amaxR(s,a)+γs′∈S∑P(s′∣s,a)Vk(s′)
- View as Bellman backup on value function Vk+1=BVkV_{k+1} = BV_{k}Vk+1=BVk πk+1=argmaxaR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s′)\pi_{k+1}=\mathop{argmax}\limits_{a}R(s,a) + \gamma\sum_{s' \in S}P(s' | s,a)V_k(s')πk+1=aargmaxR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s′)
- For each state s
初始化为零时有意义的,因为相当于第一次迭代的时候最优值是一个动作的即时回报,然后把它备份,进行下一次迭代,如如此往复。
Policy Iteration as Bellman Operations
一个特定策略的Bellman backup operator BπB^\piBπ被定义为: BπV(s)=Rπ(s)+γ∑s′∈SPπ(s′∣s)V(s)B^\pi V(s) = R^\pi(s)+\gamma\sum_{s' \in S}P^\pi(s'|s)V(s)BπV(s)=Rπ(s)+γs′∈S∑Pπ(s′∣s)V(s)
策略迭代等同于计算BπB^\piBπ的不动点。
为了进行策略迭代,重复应用operator直到V停止变化。 Vπ=BπBπ...BπVV^\pi=B^\pi B^\pi...B^\pi VVπ=BπBπ...BπV
所以你可以通过固定策略来初始化Bellman operator。
Policy Iteration as Bellman Operation
一个特定策略的Bellman backup operator BπB^\piBπ被定义为: BπV(s)=Rπ(s)+γ∑s′∈SPπ(s′∣s)V(s)B^\pi V(s) = R^\pi(s)+\gamma\sum_{s' \in S}P^\pi(s'|s)V(s)BπV(s)=Rπ(s)+γs′∈S∑Pπ(s′∣s)V(s)
为了进行策略优化: πk+1(s)=argmaxaR(s,a)+γ∑s′∈SP(s′∣s,a)Vπk(s′)\pi_{k+1}(s)=\mathop{argmax}\limits_{a}R(s,a) + \gamma\sum_{s' \in S}P(s'|s, a) V^{\pi_k}(s')πk+1(s)=aargmaxR(s,a)+γs′∈S∑P(s′∣s,a)Vπk(s′)
Going back to value Iteration(VI)
算法表示如下:
- Set k = 1
- Initialize V0(s)=0V_0(s)=0V0(s)=0 for all states s
- Loop until [finite horizon, convergence]:
- For each state s
- Vk+1(s)=maxaR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s′)V_{k+1}(s) = \mathop{max}\limits_{a}R(s,a)+\gamma\sum_{s' \in S}P(s'|s,a)V_k(s')Vk+1(s)=amaxR(s,a)+γs′∈S∑P(s′∣s,a)Vk(s′)
- Equivalently, in Bellman backup notation
- Vk+1=BVkV_{k+1}=BV_{k}Vk+1=BVk
- For each state s
To extract optimal policy if can act for k+1 more steps, π(s)=argmaxR(s,a)+γ∑s′∈SP(s′∣s,a)Vk+1(s′)\pi(s)=\mathop{argmax}R(s,a)+\gamma\sum_{s' \in S}P(s'|s,a)V_{k+1}(s')π(s)=argmaxR(s,a)+γs′∈S∑P(s′∣s,a)Vk+1(s′)
Contration Operator
补充一点缩减(Contration)方面的知识。
- 定义O是一个操作符,并且∣X∣|X|∣X∣表示x的任何形式的norm
- 如果∣OV−OV′∣≤∣V−V′∣|OV-OV'|\leq |V-V'|∣OV−OV′∣≤∣V−V′∣,那么O就是一个缩减操作符
Will Value Iteration Converge?
Bellman backup 也是一个缩减操作符。
是的,如果折扣因子γ<1\gamma < 1γ<1,整个过程会以1的概率结束在一个终止状态。
Bellman backup在折扣因子γ<1\gamma < 1γ<1时会缩减。
如果把Ballman backup应用到两个不同的价值函数,两个函数的距离在应用Bellman Equation后会减小。
证明如下,有兴趣的话你可以看看。
Value Iteration for Finite Horizon
Vk=V_k=Vk=optimal value if making k more decisions πk=\pi_k=πk=optimal policy if making k more decisions
- Initialize V0(s)=0V_0(s)=0V0(s)=0 for all state s
- For k=1 : H
- For each state s Vk+1(s)=maxaR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s)V_k+1(s)=\mathop{max}\limits_{a}R(s,a)+\gamma\sum_{s' \in S}P(s'|s,a)V_k(s)Vk+1(s)=amaxR(s,a)+γ∑s′∈SP(s′∣s,a)Vk(s) πk+1(s)=argmaxaR(s,a)+γ∑s′∈SP(s′∣s)Vk(s′)\pi_{k+1}(s)=\mathop{argmax}\limits_{a}R(s,a)+\gamma\sum_{s' \in S}P(s'|s)V_k(s')πk+1(s)=aargmaxR(s,a)+γ∑s′∈SP(s′∣s)Vk(s′)
这个算法跟之前讲过的一样,只是限定了迭代到H次,即horizon大小。
注意,这里说最优策略不是固定的(独立于时间步),是在迭代求最优价值的情境下,跟博文开头的最优策略不在一个情境下。
Value vs Policy Iteration
- 价值迭代
- 计算的是horizon为k时的最优价值
- 注意这点可以被用来计算最优策略
- 计算的是horizon为k时的最优价值
- 策略迭代
- 计算有限horizon内策略的价值
- 用于选择另外的更好的策略
- 策略迭代跟RL里一个非常流行的方法策略梯度关系非常紧密