6. 强化学习 RL

6.1 RL 的基础知识

1. RL 和 Markov Decision Process

• RL 要素：状态集合 S，动作集合 A，状态转移函数 P，奖励函数 R

• 步骤：动作（连续 / 离散）、奖励（累积回报）、环境转移

• 分类

  • 是否对真实环境建模：有模型学习、免模型学习（主流，数据驱动，泛化能力强）

  • 更新策略：单步更新、回合更新

  • 行为策略和价值策略是否相同：现实策略（on-policy）、借鉴策略（off-policy）

  • 能否推测状态转移概率：动态规划、蒙特卡洛法

3. 基于策略迭代 和 基于价值迭代 的区别

• 基于策略迭代：给定状态下，采取何种动作，e.g. 策略梯度（Policy Gradients）

• 基于价值迭代：维护价值表格 / 函数，取最大（离散环境），e.g. Q-Learning, Sarsa

• 联合决策：演员-评论家（Actor-Critic）算法

6.2 RL 算法

1. 时序差分（TD）和 蒙特卡洛（MC） 的区别 *

• 时序差分：采样不完整序列，快速、灵活

• 蒙特卡洛：经历完整状态序列

2. Q-learning（TD，基于价值迭代，免模型，借鉴策略）

• 动作价值函数 $Q^\pi(s_t,a_t)=\mathbb E[r_t+\gamma Q^\pi(s_{t+1},a_{t+1})|s_t,a_t]$，是 Bellman 方程
• 步骤（浅层时序差分采样）

  • 动作选择：贪心算法，$\xi$ 贪心策略（概率随机 / 贪心）
  • 执行动作，获得 $r_t$ 以及 $s_{t+1}$
  • 更新 Q 值：$Q(s_t,a_t)\leftarrow Q(s_t,a_t)+\alpha(r_t+\gamma \max_{a_{t+1}}Q(s_{t+1},a_{t+1})-Q(s_t,a_t))$

3. Sarsa 和 Sarsa($\lambda$)（TD，基于价值迭代，免模型，现实策略）

• Sarsa 和 Sarsa($\lambda$)

  • Sarsa：单步更新，$Q(s_t,a_t)\leftarrow Q(s_t,a_t)+\alpha(r_t+\gamma Q(s_{t+1},a_{t+1})-Q(s_t,a_t))$
  • Sarsa($\lambda$)：n 步更新，衰减求和，$Q(s_t,a_t)\leftarrow Q(s_t,a_t)+\alpha(q_t^\lambda -Q(s_t,a_t))$

    • $q_t=r_t+\gamma Q(s_{t+1},a_{t+1})$
    • $q_t^\lambda=(1-\lambda)\sum_{n=1}^\infty \lambda^{n-1}q_t^{(n)}$
• Sarsa 和 Q-learning

  • Q-learning 取 max 非常激进（每步最优），Sarsa 相对保守（安全迭代）

  • Q-learning 是 借鉴策略 的 TD，Sarsa 是 现实策略 的 TD

6.3 深度 RL

• 动作价值函数 $Q(s,a;\theta)\approx Q_\pi(s,a)$，函数近似，替代表格存储
• 价值更新函数：类似 Q-learning

  • $Q(s_t,a_t;\theta)\leftarrow Q(s_t,a_t;\theta)+\alpha(r_t+\gamma \max_{a_{t+1}}Q(s_{t+1},t_{t+1};\theta)-Q(s_t,a_t;\theta))$
  • 相应损失函数 $Loss(\theta)=\mathbb E(r_t+r_t\max_{a_{t+1}}(s_{t+1},a_{t+1};\theta)-Q(s_t,a_t;\theta))^2$
• 经验回放：从历史数据中随机采样

6.4 RL 的应用

• 游戏 - 策略指制定：Atari、星际争霸（多智能体）、AlphaGo（Zero）

• 自动驾驶 - 决策系统：强制性约束 + 可学习策略

• AutoML - 神经网络架构搜索：Google Brain

• NLP - 对话系统：任务型对话 / 非任务型对话，理解+生成+策略学习

• 广告 - 广告主竞价策略：探索 + 利用