在介紹馬爾可夫決策過程之前,我們先介紹下情節性任務和連續性任務以及馬爾可夫性。
情節性任務 vs. 連續任務
- 情節性任務(Episodic Tasks),所有的任務可以被可以分解成一系列情節,可以看作為有限步驟的任務。
- 連續任務(Continuing Tasks),所有的任務不能分解,可以看作為無限步驟任務。
馬爾可夫性
引用維基百科對馬爾可夫性的定義:
馬爾可夫性:當一個随機過程在給定現在狀态及所有過去狀态情況下,其未來狀态的條件機率分布僅依賴于目前狀态。
用數學形式表示如下:
A state \(S_t\) is Markov if and only if
\[P[S_{t+1}|S_t] = P[S_{t+1}|S_1, ..., S_t]
\]
馬爾可夫過程
馬爾可夫過程即為具有馬爾可夫性的過程,即過程的條件機率僅僅與系統的目前狀态相關,而與它的過去曆史或未來狀态都是獨立、不相關的。
馬爾可夫獎賞過程
馬爾可夫獎賞過程(Markov Reward Process,MRP)是帶有獎賞值的馬爾可夫過程,其可以用一個四元組表示 \(<S, P, R, \gamma>\)。
- \(S\) 為有限的狀态集合;
- \(P\) 為狀态轉移矩陣,\(P_{ss^{'}} = P[S_{t+1} = s^{'}|S_t = s]\);
- \(R\) 是獎賞函數;
- \(\gamma\) 為折扣因子(discount factor),其中 \(\gamma \in [0, 1]\)
獎賞函數
在 \(t\) 時刻的獎賞值 \(G_t\):
\[G_t = R_{t+1} + \gamma R_{t+2} + ... = \sum_{k=0}^{\infty}\gamma^{k}R_{t+k+1}
Why Discount
關于Return的計算為什麼需要 \(\gamma\) 折扣系數。David Silver 給出了下面幾條的解釋:
- 數學表達的友善
- 避免陷入無限循環
- 遠期利益具有一定的不确定性
- 在金融學上,立即的回報相對于延遲的回報能夠獲得更多的利益
- 符合人類更看重眼前利益的特點
價值函數
狀态 \(s\) 的長期價值函數表示為:
\[v(s) = E[G_t | S_t = s]
Bellman Equation for MRPs
\[\begin{align}
v(s)
&= E[G_t|S_t=s]\\
&= E[R_{t+1} + \gamma R_{t+2} + ... | S_t = s]\\
&= E[R_{t+1} + \gamma (R_{t+2} + \gamma R_{t+3} ... ) | S_t = s]\\
&= E[R_{t+1} + \gamma G_{t+1} | S_t = s]\\
&= E[R_{t+1} + \gamma v(s_{t+1}) | S_t = s]
\end{align}
下圖為MRP的 backup tree 示意圖:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180312667-361096825.png)
注:backup tree 中的白色圓圈代表狀态,黑色圓點對應動作。
根據上圖可以進一步得到:
\[v(s) = R_s + \gamma \sum_{s' \in S}P_{ss'}v(s')
馬爾可夫決策過程
馬爾可夫決策過程(Markov Decision Process,MDP)是帶有決策的MRP,其可以由一個五元組構成 \(<S, A, P, R, \gamma>\)。
- \(A\) 為有限的動作集合;
- \(P\) 為狀态轉移矩陣,\(P_{ss^{'}}^{a} = P[S_{t+1} = s^{'}|S_t = s,A_t=a]\);
我們讨論的MDP一般指有限(離散)馬爾可夫決策過程。
政策
政策(Policy)是給定狀态下的動作機率分布,即:
\[\pi(a|s) = P[A_t = a|S_t = a]
狀态價值函數 & 最優狀态價值函數
給定政策 \(\pi\) 下狀态 \(s\) 的狀态價值函數(State-Value Function)\(v_{\pi}(s)\):
\[v_{\pi}(s) = E_{\pi}[G_t|S_t = s]
狀态 \(s\) 的最優狀态價值函數(The Optimal State-Value Function)\(v_{*}(s)\):
\[v_{*}(s) = \max_{\pi}v_{\pi}(s)
動作價值函數 & 最優動作價值函數
給定政策 \(\pi\),狀态 \(s\),采取動作 \(a\) 的動作價值函數(Action-Value Function)\(q_{\pi}(s, a)\):
\[q_{\pi}(s, a) = E_{\pi}[G_t|S_t = s, A_t = a]
狀态 \(s\) 下采取動作 \(a\) 的最優動作價值函數(The Optimal Action-Value Function)\(q_{*}(s, a)\):
\[q_{*}(s, a) = \max_{\pi}q_{\pi}(s, a)
最優政策
如果政策 \(\pi\) 優于政策 \(\pi^{'}\):
\[\pi \ge \pi^{'} \text{ if } v_{\pi}(s) \ge v_{\pi^{'}}(s), \forall{s}
最優政策 \(v_{*}\) 滿足:
- \(v_{*} \ge \pi, \forall{\pi}\)
- \(v_{\pi_{*}}(s) = v_{*}(s)\)
- \(q_{\pi_{*}}(s, a) = q_{*}(s, a)\)
如何找到最優政策?
可以通過最大化 \(q_{*}(s, a)\) 來找到最優政策:
\[v_{*}(a|s) =
\begin{cases}
& 1 \text{ if } a=\arg\max_{a \in A}q_{*}(s,a)\\
& 0 \text{ otherwise }
\end{cases}
對于MDP而言總存在一個确定的最優政策,而且一旦我們獲得了\(q_{*}(s,a)\),我們就能立即找到最優政策。
Bellman Expectation Equation for MDPs
我們先看下狀态價值函數 \(v^{\pi}\)。
狀态 \(s\) 對應的 backup tree 如下圖所示:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180345098-1901972119.png)
根據上圖可得:
\[v_{\pi}(s) = \sum_{a \in A}\pi(a|s)q_{\pi}(s, a) \qquad (1)
再來看動作價值函數 \(q_{\pi}(s, a)\)。
狀态 \(s\),動作 \(a\) 對應的 backup tree 如下圖所示:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180402049-1747500206.png)
是以可得:
\[q_{\pi}(s,a)=R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a v_{\pi}(s') \qquad (2)
進一步細分 backup tree 再來看 \(v^{\pi}\) 與 \(q_{\pi}(s, a)\) 對應的表示形式。
細分狀态 \(s\) 對應的 backup tree 如下圖所示:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180411412-1063042128.png)
将式子(2)代入式子(1)可以進一步得到 \(v_{\pi}(s)\) 的貝爾曼期望方程:
\[v_{\pi}(s) = \sum_{a \in A} \pi(a | s) \Bigl( R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a v_{\pi}(s') \Bigr) \qquad (3)
細分狀态 \(s\),動作 \(a\) 對應的 backup tree 如下圖所示:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180421183-498067530.png)
将式子(1)代入式子(2)可以得到 \(q_{\pi}(s,a)\) 的貝爾曼期望方程:
\[q_{\pi}(s,a)=R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a \Bigl(\sum_{a' \in A}\pi(a'|s')q_{\pi}(s', a') \Bigr) \qquad (4)
Bellman Optimality Equation for MDPs
同樣我們先看 \(v_{*}(s)\):
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180430574-1927151238.png)
對應可以寫出公式:
\[v_{*}(s) = \max_{a}q_{*}(s, a) \qquad (5)
再來看\(q_{*}(s, a)\):
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180436870-598952431.png)
對應公式為:
\[q_{*}(s, a) = R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a v_{*}(s') \qquad (6)
同樣的套路擷取 \(v_{*}(s)\) 對應的 backup tree 以及貝爾曼最優方程:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180450776-607271585.png)
貝爾曼最優方程:
\[v_{*}(s) = \max_{a} \Bigl( R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a v_{*}(s') \Bigr) \qquad (7)
\(q_{*}(s, a)\) 對應的 backup tree 以及貝爾曼最優方程:
![](https://img2018.cnblogs.com/blog/764050/201810/764050-20181027180500521-1105213902.png)
對應的貝爾曼最優方程:
\[R_s^a + \gamma \sum_{s'\in S}P_{ss'}^a\max_{a}q_{*}(s, a) \qquad (8)
貝爾曼最優方程特點
- 非線性(non-linear)
- 通常情況下沒有解析解(no closed form solution)
貝爾曼最優方程解法
- Value Iteration
- Policy Iteration
- Sarsa
- Q-Learning
MDPs的相關擴充問題
- 無限MDPs/連續MDPs
- 部分可觀測的MDPs
- Reward無折扣因子形式的MDPs/平均Reward形式的MDPs
Reference
[1] 維基百科-馬爾可夫性
[2] Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, 2018
[3] David Silver's Homepage
作者:Poll的筆記
部落格出處:http://www.cnblogs.com/maybe2030/
本文版權歸作者和部落格園所有,歡迎轉載,轉載請标明出處。
<如果你覺得本文還不錯,對你的學習帶來了些許幫助,請幫忙點選右下角的推薦>