本文內容摘錄自OpenAI的深度強化學習資源Spinning Up，進入網址。

智能體與環境

強化學習（RL）主要包括智能體（agent）和環境（environment）兩部分。在智能體與環境交互的每一步，智能體獲取（或部分獲取）環境狀態的一個觀測（observation），并采取一個動作（action）。環境會在智能體作用于它的時候發生變化（或者自己變化）。

智能體會從環境中獲得獎勵（reward），獎勵代表了當前環境狀態的好壞。智能體的目標是最大化累計獎勵，即回報（return）。強化學習算法就是訓練智能體實現這個目標的方法。

狀態和觀測

狀態（state）是環境狀態的一個完整描述，而觀測（observation）是狀態的一個部分描述（可能忽略了某些信息）。
比如，在視頻游戲任務中，狀態可以是圖像的像素值矩陣；在機器人控制中，狀態可以是機械臂的角度、速度等。

環境可以分為fully observed和partially observed

• fully observed：智能體可以獲取環境的完整信息
• partially observed：智能體只能獲取環境的部分信息

動作空間

動作空間（action space）是智能體可以執行的動作的集合，通常分為：

• 離散動作空間
• 連續動作空間

策略

策略（policy）是一個規則，智能體依據策略來決定采取什么動作。由于策略是智能體的核心，所以常把“策略”與“智能體“混用。

策略可以是確定性的：
$$a_t=\mu (s_t)$$

$\mu$是一個確定的函數。也可以是隨機的：
$$a_t～\pi (?|s_t)$$

$\pi$是一個概率分布。

在深度RL中，我們討論是參數化的策略，即策略是根據一系列參數（比如神經網絡的權重與偏置）計算出來的，因此策略可以寫作：
$$a_t={\mu }_{\theta }(s_t)$$

$$a_t～{\pi }_{\theta }(?|s_t)$$

1. 確定性策略

例子：假設狀態空間是連續的，我們將observation作為神經網絡的輸入，將神經網絡的輸出作為確定性的動作。

2. 隨機策略

深度RL中最常見的兩種隨機策略：分類策略和對角高斯策略。前者用于離散動作空間，后者用于連續動作空間。

訓練與使用隨機策略的過程中的涉及到兩個關鍵計算：

• 從策略中抽樣動作
• 計算動作的對數似然度$\log {\pi }_{\theta }(a|s)$
  （概率${\pi }_{\theta }(a|s)$是大于0的，而$\log {\pi }_{\theta }(a|s)$的取值范圍是$(?\infty ,+\infty )$，采用對數可以方便神經網絡的訓練，使我們不用關注“概率>0”這個約束）

（1）分類策略

分類策略用于離散動作空間。訓練一個分類策略就類似于訓練一個分類器：將observation輸入到神經網絡，最后一層給出每個可選動作的logit，經過softmax得到每個采取動作的概率。

（2）對角高斯策略

對角高斯策略用于連續狀態空間。先解釋下對角高斯分布：
多變量高斯分布由均值向量和協方差矩陣表示。對角高斯分布的協方差矩陣只在對角線取值不為0，從而可以用一個向量表示。這里的變量個數是動作的維度，對角意味著動作之間相互獨立。

在對角高斯策略中，使用一個神經網絡輸出動作的均值向量${\mu }_{\theta }(s)$，對于協方差矩陣（方差向量）有兩種生成方法：

• 方法一：使用一個與狀態無關的標準差向量$\log \sigma$

• 方法二：使用一個神經網絡將狀態映射到標準差向量$\log {\sigma }_{\theta }(s)$

  注：這里使用log也是和上面一個道理。

有了均值和標準差，可以使用下式來生成動作：
$$a={\mu }_{\theta }(s)+{\sigma }_{\theta }(s)\odot z$$

其中，$\odot$表示元素對應相乘，z是噪聲向量（$z～\mathcal{N}(0,I)$）。

軌跡

軌跡（trajectory ）是狀態與動作的一個序列，也叫episode或rollout：
$$\tau =(s_0,a_0,s_1,a_1,...)$$

初始狀態服從某個分布：$s_0～{\rho }_0(?)$

狀態之間的轉移只與最近的動作有關（馬爾科夫性）。可以是確定性的：

$$s_{t+1}=f(s_t,a_t)$$

也可以是隨機的：

$$s_{t+1}～P(?|s_t,a_t)$$

獎勵與回報

獎勵（reward）可以寫作 $r_t=R(s_t,a_t,s_{t+1})$ ，也可以簡化為：$r_t=R(s_t)$ 或 $r_t=R(s_t,a_t)$。

智能體的目標是最大化一個軌跡中的累積獎勵，即回報（return）?；貓笸ǔＳ袃煞N形式：

• 有限無折扣回報：
  $$R(\tau )=\sum _{t=0}^T{r}_t$$

• 無限折扣回報：
  $$R(\tau )=\sum _{t=0}^{\infty }{\gamma }^t{r}_t$$

  $\gamma \in (0,1)$是折扣因子。折扣化有兩方面原因：（1）直觀上，未來充滿不確定性，因此對未來獎勵的重視程度較低；（2）數學上，引入折扣因子能夠保證收斂（在一定條件下）。

RL問題

RL的目標就是選擇一個能夠最大化期望回報的策略。

假設環境的轉移和策略都是隨機的，則一個T步長的軌跡的概率為：$$P(\tau |\pi )={\rho }_0(s_0)\prod _{t=0}^{T?1}P(s_{t+1}|s_t,a_t)\pi (a_t|s_t)$$

期望回報為：
$$J(\pi )={\int }_{\tau }P(\tau |\pi )R(\tau )=E_{\tau ～\pi }[R(\tau )]$$

則RL優化問題可以寫作：
$${\pi }^{?}=\arg \underset{\pi }{\max }J(\pi )$$

${\pi }^{?}$是最優策略。

價值函數

價值是指從一個狀態或者一個狀態-動作對出發，遵循某個策略所得到的期望回報。它有四種形式：

• On-Policy Value Function，從狀態$s$出發，遵循策略$\pi$所得到的期望回報：
  $$V^{\pi }(s)=E_{\tau ～\pi }[R(\tau )|s_0=s]$$

• On-Policy Action-Value Function, 從狀態$s$出發，采取任意動作$a$，此后遵循策略$\pi$所得到的期望回報，常稱為Q函數：
  $$Q^{\pi }(s,a)=E_{\tau ～\pi }[R(\tau )|s_0=s,a_0=a]$$

• Optimal Value Function，從狀態$s$出發，遵循最優策略所得到的期望回報：
  $$V^{?}(s)=\underset{\pi }{\max }{E}_{\tau ～\pi }[R(\tau )|s_0=s]$$

• Optimal Action-Value Function，從狀態$s$出發，采取任意動作$a$，此后遵循最優策略所得到的期望回報：

$$Q^{?}(s,a)=\underset{\pi }{\max }{E}_{\tau ～\pi }[R(\tau )|s_0=s,a_0=a]$$

兩個重要關系：
$$V^{\pi }(s)=E_{a～\pi }[Q^{\pi }(s,a)]$$

$$V^{?}(s)=\underset{a}{\max }{Q}^{?}(s,a)$$

都可以由定義推導出來。

最優Q函數與最優動作

我們在狀態$s$下，要采取的最優動作滿足：
$$a^{?}(s)=\arg \underset{a}{\max }{Q}^{?}(s,a)$$

貝爾曼方程

上述四個價值函數都遵循特定的自洽方程，稱為貝爾曼方程。

貝爾曼方程的基本思想是：起始點處的 value 等于你在那個點可以獲得的 reward 加上接下來可能處于的位置的value。

$$V^{\pi }(s)=E_{a～\pi ,s^{\prime }～P}[r(s,a)+\gamma V^{\pi }(s^{\prime })]$$

$$Q^{\pi }(s,a)=E_{s^{\prime }～P}[r(s,a)+\gamma E_{a^{\prime }～\pi }[Q^{\pi }(s^{\prime },a^{\prime })]$$

$$V^{?}(s)=\underset{a}{\max }{E}_{s^{\prime }～P}[r(s,a)+\gamma V^{?}(s^{\prime })]$$

$$Q^{?}(s,a)=E_{s^{\prime }～P}[r(s,a)+\gamma \underset{a^{\prime }}{\max }{Q}^{?}(s^{\prime },a^{\prime })]$$

優勢函數

有時候我們不需要知道一個動作的絕對好壞，只需要知道它比其他動作平均好多少。這個概念用優勢（advantage）函數表示：
$$A^{\pi }(s,a)=Q^{\pi }(s,a)?V^{\pi }(s)$$

形式化描述

環境的形式化描述是馬爾科夫決策過程（MDP），用五元組$?S,A,R,P,{\rho }_0?$表示，其中，

• $S$是狀態集合
• $A$是動作集合
• $R:S\times A\times S\to \mathbb{R}$是獎勵函數
• $P:S\times A\to \mathcal{P}(S)$是轉移概率函數
• ${\rho }_0$是初始狀態分布

總結

以上是生活随笔為你收集整理的RL关键概念的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。