强化学习第1天：马尔可夫过程

☁️主页 Nowl

🔥专栏 《强化学习》

📑君子坐而论道，少年起而行之

​​

一、介绍

二、马尔可夫过程

1.状态变化过程

我们知道强化学习是一个状态转移的过程，状态发生变化的原因可能取决于当前状态，也可能取决于先前的许多状态，我们把当前状态设为
S t S_{t} St​
则下一个状态的概率与之前所有状态有关可表示为
P ( S t + 1 ) = P ( S t + 1 ∣ S t , . . . , S 1 ) P(S_{t+1}) = P(S_{t+1}|S_{t},...,S_{1}) P(St+1​)=P(St+1​∣St​,...,S1​)
下图为某一个状态变化过程图，箭头表示由某个状态变化到另一个状态的概率

2.马尔可夫性质

当且仅当某时刻的状态只取决于上一时刻的状态时，这个过程就具有马尔可夫性质，即
P ( S t + 1 ) = P ( S t + 1 ∣ S t ) P(S_{t+1}) = P(S_{t+1}|S_{t}) P(St+1​)=P(St+1​∣St​)
可以知道，若某过程满足马尔可夫性质，则我们只需要知道当前状态就可以预测下一个状态，而不是要了解之前所有的状态

通俗一点可以用下图来说明
无论这两个人之前吃了什么水果，做了什么事，当12点的时候他们都会去睡觉，即睡觉这件事只与12点有关
和之前的行为没有关系

3.马尔可夫过程描述

我们通常用一个元组
< S ， P > <S，P> <S，P>
来描述一个马尔可夫过程

• S是有限的状态集合
• P是状态转移矩阵，它记录了状态之间变化的概率

三、马尔可夫奖励过程

1.马尔可夫奖励过程描述

我们知道马尔可夫过程可以由元组<S，P>来描述，那么马尔可夫奖励过程就可以用元组
< S ， P ， r ， γ > <S，P，r，γ> <S，P，r，γ>
来描述

• r是奖励函数，r(s)即代表转移到状态s可获得的奖励
• γ是折扣因子，取值范围为[0，1)，我们将在下文感受到折扣因子的作用

2.回报

在一个马尔可夫奖励过程中，从当前状态开始，到终止状态，所有奖励之和为回报
G = R t + γ R t + 1 + γ 2 R t + 2 + . . . + γ k R t + k G = R_{t}+γR_{t+1}+γ^{2}R_{t+2}+...+γ^{k}R_{t+k} G=Rt​+γRt+1​+γ2Rt+2​+...+γkRt+k​
在这里我们可以看到折扣因子的作用了，折扣因子越接近1，就代表模型更注重长期利益，越接近0，就代表模型更注重短期利益

3.价值函数

在马尔可夫奖励过程中，一个状态的期望回报被称为这个状态的价值，价值函数即是以状态为自变量，价值为因变量的函数，定义如下
V ( s ) = E [ G t ∣ S t = s ] V(s)=E[G_{t}|S_{t}=s] V(s)=E[Gt​∣St​=s]
它表示了所有状态回报之和的一种平均，可能这里有些人对这个期望不是很理解，既然我的S固定了，那G不也就固定了吗，为什么还要加上一个期望呢，想到这点的说明有自己的思考了，S确实固定了，这时我们去看G，G这时真的是固定值吗？

理解了价值函数之后，我们接着往下看

4.贝尔曼方程

首先我们给出贝尔曼方程的定义
V ( s ) = r ( s ) + γ ∑ s ′ P ( s ′ ∣ s ) V ( s ′ ) V(s)=r(s)+γ\sum_{s^{'}}P(s^{'}|s)V(s^{'}) V(s)=r(s)+γs′∑​P(s′∣s)V(s′)
可以看到左边就是一个价值函数，那是怎么推导过来的呢，看以下过程，我们将价值函数拆开
V ( s ) = E [ G t ∣ S t = s ] V(s)=E[G_{t}|S_{t}=s] V(s)=E[Gt​∣St​=s]
= E [ R t + γ R t + 1 + γ 2 R t + 2 + . . . ∣ S t = s ] =E[R_{t}+γR_{t+1}+γ^{2}R_{t+2}+...|S_{t}=s] =E[Rt​+γRt+1​+γ2Rt+2​+...∣St​=s]
= E [ R t + γ ( R t + 1 + γ R t + 2 + . . . ) ∣ S t = s ] =E[R_{t}+γ(R_{t+1}+γR_{t+2}+...)|S_{t}=s] =E[Rt​+γ(Rt+1​+γRt+2​+...)∣St​=s]
= E [ R t + γ G t + 1 ∣ S t = s ] =E[R_{t}+γG_{t+1}|S_{t}=s] =E[Rt​+γGt+1​∣St​=s]
= E [ R t + γ V ( S t + 1 ) ∣ S t = s ] =E[R_{t}+γV(S_{t+1})|S_{t}=s] =E[Rt​+γV(St+1​)∣St​=s]
其中
r ( s ) = E [ R t ∣ S t = s ] r(s)=E[R_{t}|S_{t}=s ] r(s)=E[Rt​∣St​=s]
而根据条件期望的定义可以得到
γ ∑ s ′ P ( s ′ ∣ s ) V ( s ′ ) = E [ γ V ( S t + 1 ) ∣ S t = s ] γ\sum_{s^{'}}P(s^{'}|s)V(s^{'})=E[γV(S_{t+1})|S_{t}=s] γs′∑​P(s′∣s)V(s′)=E[γV(St+1​)∣St​=s]
即证贝尔曼方程
V ( s ) = r ( s ) + γ ∑ s ′ P ( s ′ ∣ s ) V ( s ′ ) V(s)=r(s)+γ\sum_{s^{'}}P(s^{'}|s)V(s^{'}) V(s)=r(s)+γs′∑​P(s′∣s)V(s′)

四、马尔可夫决策过程

1.马尔可夫决策过程描述

我们已经知道了马尔可夫过程和马尔可夫奖励过程（MDP）的描述，接下来我们描述马尔可夫决策过程（MAP），使用元组描述
< S ， A ， P ， r ， γ > <S，A，P，r，γ> <S，A，P，r，γ>

• A是动作，这时多出来的东西可不只有动作，还有抉择做什么动作的策略
• 此时r(s)变为了r(s，a)，因为奖励此时不仅与状态有关，还与动作有关
• 同理，P也与动作联系起来了，因此它不再是一个二维数组矩阵，而是变成了一个三维矩阵

在描述马尔可夫决策过程的元组中，我们发现了许多强化学习中的元素：状态，奖励，动作，可以看到我们逐渐与我们的目的——强化学习越来越近了！

由于新加入的动作因子所产生的策略因子，我们优化一下价值函数变为状态价值函数
V π ( s ) = E π [ G t ∣ S t = s ] V^{\pi}(s)=E_{\pi}[G_{t}|S_{t}=s] Vπ(s)=Eπ​[Gt​∣St​=s]
我们把π定义为策略，则更新后的价值函数可以这样描述：从状态s出发遵循策略π可以获得的期望回报

定义好了状态价值函数，我们再来定义动作价值函数，动作价值函数是遵循策略π时，在当前状态下采取动作a能得到的期望回报
Q π ( s ， a ) = E π [ G t ∣ S t = s ， A t = a ] Q^{\pi}(s，a)=E_{\pi}[G_{t}|S_{t}=s，A_{t}=a] Qπ(s，a)=Eπ​[Gt​∣St​=s，At​=a]
我们直观理解一下

发现了其中的区别了吗，状态价值函数的第一个状态是固定的，而动作价值函数的第一，第二个状态都是固定的，回到定义，因为动作价值函数规定了当前状态所做出的动作，所以第二个状态也是固定的

所以状态价值函数与动作价值函数的联系公式如下
V π ( s ) = ∑ a π ( a ∣ s ) Q π ( s ， a ) V^{\pi}(s)=\sum_{a}\pi(a|s)Q^{\pi}(s，a) Vπ(s)=a∑​π(a∣s)Qπ(s，a)

展开动作价值函数的贝尔曼方程如下
Q π ( s ， a ) = r ( s ， a ) + γ ∑ s ′ P ( s ′ ∣ s ， a ) V π ( s ′ ) Q^{\pi}(s，a)=r(s，a)+γ\sum_{s^{'}}P(s^{'}|s，a)V^{\pi}(s^{'}) Qπ(s，a)=r(s，a)+γs′∑​P(s′∣s，a)Vπ(s′)

2.贝尔曼期望方程

动作价值函数贝尔曼期望方程
Q π ( s ， a ) = E π [ R t + γ Q π ( s ′ ， a ′ ) ∣ S t = s ， A t = a ] Q^{\pi}(s，a)=E_{\pi}[R_{t}+γQ^{\pi}(s^{'}，a^{'})|S_{t}=s，A_{t}=a] Qπ(s，a)=Eπ​[Rt​+γQπ(s′，a′)∣St​=s，At​=a]
= r ( s ， a ) + γ ∑ s ′ P ( s ′ ∣ s ， a ) ∑ a ′ π ( a ′ ∣ s ) Q π ( s ′ ， a ′ ) =r(s，a)+γ\sum_{s^{'}}P(s^{'}|s，a)\sum_{a^{'}}\pi(a^{'}|s)Q^{\pi}(s^{'}，a^{'}) =r(s，a)+γs′∑​P(s′∣s，a)a′∑​π(a′∣s)Qπ(s′，a′)
状态价值函数贝尔曼期望方程
V π ( s ) = E π [ R t + γ V π ( s ′ ) ∣ S t = s ] V^{\pi}(s)=E_{\pi}[R_{t}+γV^{\pi}(s^{'})|S_{t}=s] Vπ(s)=Eπ​[Rt​+γVπ(s′)∣St​=s]
= ∑ a π ( a ∣ s ) { r ( s ， a ) + γ ∑ s ′ P ( s ′ ∣ s ， a ) V π ( s ′ ) } =\sum_{a}\pi(a|s)\{r(s，a)+γ\sum_{s^{'}}P(s^{'}|s，a)V^{\pi}(s^{'})\} =a∑​π(a∣s){r(s，a)+γs′∑​P(s′∣s，a)Vπ(s′)}
贝尔曼方程是强化学习中很重要的部分，之后很多方法都是由此推导而来，请一定好好理解并尝试推导

五、蒙特卡洛方法

1.介绍

如下是一个简单的例子，使用蒙特卡洛方法求圆的面积，我们已知三角形的面积，则先随机选取多个点，然后就可以通过比例计算出圆形的面积

2.在强化学习中的应用

那么如何在强化学习中应用蒙特卡洛方法呢，我们试着求状态价值，我们知道状态价值是状态的期望回报，这个回报由许多条序列计算而来，那我们就可以选取多条序列，将通过选取的序列所算出来的期望回报近似为真正的状态价值
V π ( s ) = E π [ G t ∣ S t = s ] ≈ 1 N ∑ i N G t ( i ) V^{\pi}(s)=E_{\pi}[G_{t}|S_{t}=s]\approx\frac{1}{N}\sum^{N}_{i}G_{t}^{(i)} Vπ(s)=Eπ​[Gt​∣St​=s]≈N1​i∑N​Gt(i)​

根据大数定律可以知道，当选取的序列够多时，这两个值就越近似

3.为什么要使用蒙特卡洛方法

我们要明白，虽然我们知道了求解期望的公式，但在真实情况中，很多条件是不知道的，例如不清楚某个状态的所有序列，这时我们就只能使用蒙特卡洛方法来通过局部估计总体了

最优策略

作了这么多基础铺垫，再回到强化学习上来吧，强化学习的目标就是找到一个策略，来获得最高的期望回报，从初始状态出发到达最终目的可能有很多策略，但很容易知道，一定有一个策略，得到的期望不低于其他所有策略，这个策略就是最优策略，找到它就是强化学习的目标

我们将最优策略表示为
π ∗ ( s ) \pi^{*}(s) π∗(s)
再定义最优状态价值函数
V ∗ ( s ) = m a x π V π ( s ) V^{*}(s)=max_{\pi}V^{\pi}(s) V∗(s)=maxπ​Vπ(s)
和最优动作价值函数
Q ∗ ( s ， a ) = m a x π Q π ( s ， a ) Q^{*}(s，a)=max_{\pi}Q^{\pi}(s，a) Q∗(s，a)=maxπ​Qπ(s，a)

贝尔曼最优方程

前文介绍了最重要的贝尔曼方程，这里给出它的最优形式
Q ∗ ( s ， a ) = r ( s ， a ) + γ ∑ s ′ P ( s ′ ∣ s ， a ) m a x a ′ Q ∗ ( s ′ ， a ′ ) Q^{*}(s，a)=r(s，a)+γ\sum_{s^{'}}P(s^{'}|s，a)max_{a^{'}}Q^{*}(s^{'}，a^{'}) Q∗(s，a)=r(s，a)+γs′∑​P(s′∣s，a)maxa′​Q∗(s′，a′)
V ∗ ( s ) = m a x a ( r ( s ， a ) + γ ∑ s ′ P ( s ′ ∣ s ， a ) V ∗ ( s ′ ) ) V^{*}(s)=max_{a}(r(s，a)+γ\sum_{s^{'}}P(s^{'}|s，a)V^{*}(s^{'})) V∗(s)=maxa​(r(s，a)+γs′∑​P(s′∣s，a)V∗(s′))