7-融合学习与规划（Integrating Learning and Planning）

1.导论

基于模型的强化学习（Model-Based Reinforcement Learning）

• 在上一个课程中，是从记录序列中直接学习策略的
• 在过往的课程中，是从记录序列中直接学习价值函数的
• 而本次课程，则是从记录序列中直接学习模型的
• 然后采用规划（Planning）来构建一个价值函数或者策略
• 将学习（Learning）与规划（Planning）融合到一个架构中

基于模型（Model-Based）和无模型（Model-Free）强化学习

• 无模型强化学习

  • 无模型
  • 从经验序列中学习价值函数或者策略

• 基于模型强化学习

  • 从序列中学习一个模型
  • 通过模型来规划价值函数或者策略

2.基于模型的强化学习（Model-Based RL）

价值/策略 -> 交互 -> 经验序列 -> 模型学习 -> 模型 -> 规划 -> 价值/策略 ->....

基于模型强化学习的优点

优点：

• 可以基于监督学习的方法快速学习
• 能够解释模型的不确定性

缺点：

• 先学习一个模型，再构建策略函数，中间过程导致了两次近似误差的产生

什么为模型？

• 对于一个模型\(\mathcal{M}\)则是代表一个由参数\(\eta\)进行控制的$MDP\mathcal{\langle S, A, P, R \rangle} $

• 我们假定状态空间\(\mathcal{S}\)和动作空间\(\mathcal{A}\)是已知的

• 为此一个模型\(\mathcal{M=\langle P_\eta,R_\eta\rangle}\)代表着状态转移概率\(\mathcal{P_\eta\approx P}\)以及回报\(\mathcal{R_\eta\approx R}\)

  \[\begin{align} S_{t+1}&\sim\mathcal{P_\eta}(S_{t+1}|S-t,A_t) \R_{t+1}&\sim\mathcal{R_\eta}(R_{t+1}|S-t,A_t) \end{align} \]

• 一般来说假设状态转移以及回报是符合条件性独立的

  即：

  \[\mathbb{P}[S_{t+1},R_{t+1}|S_t,A_t]=\mathbb{P}[S_{t+1}|S_t,A_t]\mathbb{P}[R_{t+1}|S_t,A_t] \]

模型学习（Model Learning）

• 目标：从经验序列\(\{S_1,A_1,R_2\dots,S_T\}\)估计模型\(\mathcal{M_\eta}\)

• 显然这是一个监督学习问题：

  \[\begin{align} S_1,A_1&\rightarrow R_2,S_2 \S_2,A_2&\rightarrow R_3,S_3 \&\vdots \S_{T-1},A_{T-1}&\rightarrow R_T,S_T \end{align} \]

• 学习 \(s,a\rightarrow r\)即是回归问题

• 学习\(s,a\rightarrow s‘\)即是密度估计问题（即是学习密度概率函数或者说分布）

• 选择一个损失函数，如MSE、KL散度等

• 寻找参数\(\eta\)以最小化经验误差

一些模型的典型例子

• 查表法模型（Table Lookup Model）
• 线性期望模型（Linear Expectiation Model）
• 线性高斯模型（Linear Gaussian Model）
• 高斯过程模型（Gaussian Process Model）
• 深度微型网络（Deep Belief Network Model）
• ...

查表模型（Table Lookup Model）

• 模型显然是一个显式的马尔科夫决策过程\(\mathcal{\hat P,\hat R}\)

• 计算访问每个状态动作对的访问次数\(N(s,a)\)

  \[\begin{align} \mathcal{\hat P^a_{s,s‘}} & = \frac{1}{N(s,a)}\sum^{T}_{t=1}\mathbf 1(S_t, A_t,S_{t+1}=s,a,a‘) \\mathcal{\hat R^a_{s,s‘}} & = \frac{1}{N(s,a)}\sum^{T}_{t=1}\mathbf 1(S_t, A_t=s,a)R_t \end{align} \]

• 或者换一种说法

  • 在每一个时间辍t中记录经验元组\(\langle S_t,A_t, R_{t+1},S_{t+1}\rangle\)
  • 对于一个采样模型，随机性地采样形如\(\langle s,a,\cdot,\cdot\rangle\)的元素

模型规划（Planning with a model）

*Planning即是Solving

• 给定模型\(\mathcal{M_\eta=\langle P_\eta,R_\eta\rangle}\)
• 解决\(MDP\mathcal{\langle S,A,P_\eta,R_\eta\rangle}\)
• 用你喜欢的算法即可：
  • 价值迭代
  • 策略迭代
  • 树形搜索
  • ...

基于采样的规划（Sample-Based Planning）

• 简易却是强大的规划方法

• 只用模型来生成样本

• 从模型中进行采样

  \[\begin{align} S_{t+1} & \sim \mathcal{P_\eta}(S_{t+1}|S_t,A_t) \R_{t+1} & = \mathcal{R_\eta}(R_{t+1}|S_t,A_t) \end{align} \]

• 通过无模型的强化学习方法去采样，例如说：

  • 蒙特卡罗控制
  • SARSA算法
  • Q--Learning

• 基于采样的规划（Sample-Based Planning）一般来说都比较高效

非精准模型的规划

• 给定非完美的模型\(\mathcal{\langle P_\eta,R_\eta \rangle \neq \langle P,R \rangle}\)

• 基于模型强化学习的表现决定或者说限制了拟合\(MDP\mathcal{\langle S,A,P_\eta, R_\eta \rangle}\)的最优策略

  即是基于模型的强化学习只能跟他估计所用的模型一致

• 那么当模型不够精确之时，在规划的过程中只能得到一个次优解的策略

• 方法1：当模型完全出错之时，采用无模型的强化学习

• 方法2：显式地描述模型的不确定性

3.融合架构（Integrated Architectures）

真实序列与模拟序列

我们这里定义两种来源的经验序列

• 真实序列（Real experience）从环境中进行的取样（真正的MDP）

  \[S‘ \sim \mathcal{P^a_{s,s;}} \R = \mathcal{R^a_s} \]

• 模拟序列（Simulated experience）从模型中进行的取样的（近似MDP）

  \[\begin{align} S‘& \sim \mathcal{P_\eta(S‘|S,A)} \R & = \mathcal{R_\eta}(R|S,A) \end{align} \]

基于模型（Model-Based）和无模型（Model-Free）强化学习

• 无模型强化学习

  • 无模型
  • 从经验序列中学习价值函数或者策略

• 基于模型强化学习（通过基于采样的规划）

  • 从序列中学习一个模型
  • 通过模型来规划价值函数或者策略

• Dyna（pronounce: daina）（二者的融合体）

  • 从真实经验序列中学习一个模型
  • 学习并且规划处一个价值函数（或者策略）从混合的真实与模拟经验序列

Dyna-Q算法

对所有的\(s\in\mathcal{S}\)以及所有的\(a\in\mathcal{A(s)}\)，初始化 \(Q(s,a)\)以及模型\(Model(s,a)\)

一直循环：

1. \(S\leftarrow\) 目前的状态（非终结态）

2. \(A\leftarrow\epsilon-greedy(S,Q)\)

3. 执行动作\(A\)，得到回报\(R\)以及下一状态\(S‘\)

4. \(Q(S,A)\leftarrow Q(S,A)+\alpha[R + \gamma\max_a Q(S‘,a)-Q(S,A)]\)

5. \(Model(S,A) \leftarrow R,S‘\)（假设是确定性的环境)

6. 循环\(n\)次

   \(S\leftarrow\) 随机取样过去观测到的状态

   \(A\leftarrow\)随机取样在\(S\)中会采取的动作

   \(R,S‘\leftarrow Model(S,A)\)

   \(Q(S,A) \leftarrow Q(S,A) + \alpha[R + \gamma\max_a Q(S‘,a) - Q(S,A)]\)

其中中间循环\(n\)次也可以看做是思考次数

尤其适合变化性的环境

4.基于模拟的搜索（Simulation-Based Search）

前向搜索（Forward search）

• 前向搜索算法通过向前预测来选取最佳的动作
• 通过建立基于目前状态\(s_t\)作为根的搜索树（Search Tree）
• 通过一个MDP的模型来向前预测
• 其实并不需要整个MDP，只是从目前出发的一部分MDP

基于模拟的搜索（Simulation-Based Search）

• 前向搜索图采用基于采样的规划

• 通过模型模拟出从现在开始的经验序列

• 在模拟出来的序列中应用无模型的强化学习

• 首先基于模型模拟从目前状态开始的经验序列

  \[\{\color{red}{s^k_t},A^k_t,R^k_{t+1},\dots,S^k_T\}^K_{k=1}\sim\mathcal{M_v} \]

• 在模拟出来的序列中应用无模型强化学习（按你喜欢的即可）

  • 蒙特卡罗·控制\(\rightarrow\)蒙特卡罗搜索（Monte-Carlo Search）
  • SARSA\(\rightarrow\) TD搜索

简易蒙特卡罗搜索（Simple Monte-Carlo Search）

• 给定模型\(\mathcal{M_v}\)以及一个模拟策略\(\pi\)

• 对于所有动作\(a\in \mathcal{A}\)

  • 然后基于目前状态\(s_t\)（是真实的）去模拟\(K\)个状态

    \[\{\color{red}{s_t,a},R^k_{t+1},S^k_{t+1},A^k_{t+1},\dots,S^k_T\}^K_{k=1}\sim \mathcal{M_v,\pi} \]

  • 通过均值返回回报去评估每一个动作（蒙特卡罗评估）

    \[Q(\color{red}{s_t,a})=\frac{1}{K}\sum^K_{k=1}G_t\mathop{\rightarrow}^P q_\pi(s_t,a) \]

  • 选择具有目前最大价值的动作

    \[a_t=\mathop{\arg\max}_{a\in A}Q(s,a) \]

蒙特卡罗树搜索（Monte-Carlo Tree Search）（评估）

• 给定模型\(\mathcal{M_v}\)

• 通过目前的模拟策略\(\pi\)从目前状态\(s_t\)模拟K步序列

  \[\{\color{red}{s_t}A^k_t,R^k_{t+1},S^k_{t+1},A^k_{t+1},\dots,S^k_T\}^K_{k=1}\sim \mathcal{M_v,\pi} \]

• 然后构建一个包含（模拟中）访问过的状态以及动作的搜索树

• 通过从\(s,a\)出发的每一步序列返回的均值返回回报评估状态的\(Q(s,a)\)

  \[Q(\color{red}{s,a})=\frac{1}{N(s,a)}\sum^K_{k=1}\sum^T_{u=t}\mathbf1(S_u,A_u=s,a)G_u\mathop{\rightarrow}^P q_\pi(s,a) \]

• • 选择具有目前最大价值的动作
    \[a_t=\mathop{\arg\max}_{a\in A}Q(s,a) \]

蒙特卡罗树搜索（模拟）

• 在蒙特卡罗树搜索中，模拟策略\(\pi\)是可以被更新改进的

• 每一次模拟都包含了两部分（入树与出树）

  • 树策略（改进）：通过最大化\(Q(S,A)\)进行动作选择
  • 缺省策略（修正过）：随机选择动作

• 重复（每次循环如此）

  • 通过蒙特卡罗评估去评估状态\(Q(S,A)\)
  • 改进树策略例如通过\(\epsilon-greddy(Q)\)

• 然后将蒙特卡罗控制应用在模拟出来的经验序列中

• 将会收敛于最优的搜索树，\(Q(S,A)\rightarrow q_*(S,A)\)

  *从目前状态出发树策略一直下推以取代缺省策略

蒙特卡罗树搜索的优点

• 高度选择性的最优优先搜索
• 动态评估所有状态（不像例如动态规划那样）
• 通过采样来破坏维度曲线（curse dimensionality）*大概指的是状态随着树分支的增加以几何级数的趋势爆发
• 黑箱模型的杰作（只需采样）
• 计算处理上地高效，支持并行处理

时序差分搜索（Temporal-Difference Search）

• 基于模拟的搜索
• 采用TD来取代蒙特卡罗（自助法）
• 蒙特卡罗树搜索应用蒙特卡罗控制到部分MDP上
• 同理时序差分搜索应用SARSA控制到部分MDP上

蒙特卡罗对比时序差分搜索

• 对于无模型强化学习，自助法比较有用
  • TD学习减少了方差但是增加偏差
  • TD学习一般比蒙特卡罗更为高效
  • \(TD(\lambda)\)比蒙特卡罗非常非常高效
• 对于基于模拟的搜索，自助法一样好用
  • TD搜索减少方差但是增加偏差
  • TD搜索一般比蒙特卡罗搜索要更为高效
  • \(TD(\lambda)\)比蒙特卡罗搜索要非常非常高效

时序差分搜索

• 模拟从目前状态\(s_t\)开始的经验序列

• 估计动作-价值函数\(Q(s,a)\)

• 对于每一步模拟，tguo1SARSA去更新动作价值函数

  \[\Delta Q(S,A) = \alpha(R + \gamma Q(S‘,A‘) - Q(S,A)) \]

• 选择动作基于动作价值函数\(Q(s,a)\)

  • 例如说\(\epsilon-greedy\)

• 同样Q也适用于函数近似

Dyna-2

• 在Dyna-2之中，智能体存储了两个特征权重的数据集

  • 长期记忆
  • 短期记忆（动态工作中）

• 长期记忆是从真实经验序列通过时序差分学习更新出来的

  • 通用的知识可以应用于所有状态序列

• 短期记忆是基于模拟经验序列通过时序差分学习更新出来的

• 整个价值函数是长期记忆与短期记忆的求和

机器学习 | 强化学习（7） | 融合学习与规划（Integrating Learning and Planning）

原文：https://www.cnblogs.com/uzuki/p/14289998.html