强化学习笔记（7）基于模型的RL / Dyna算法/ MCTS

文章目录

• Introduction
• model-Free
• Model-Based RL
• Advantages
• Disadvantages
• Model定义
• 目标
• 一些模型表示方法：
• 计划 Planning
• Sample-Based Planning 基于采样的计划
• 整合Model-Free 和 Model-Based
• 两种经验来源：
• Dyna
• 基于模拟的搜索
• 前向搜索算法 Foward Search
• 基于模拟的搜索算法
• MCTS
• 简化版 Monte-Carlo Search
• 完全版MCTS

Introduction

上一个话题是直接从经验中学习策略。

之前的都是Model free。agent不需要理解外部环境。

这次直接从经验里面学习模型（Model）并且使用planning去构造一个价值函数或策略。尝试理解外部环境。

把learning和planning 整合成一个体系。

Model大概可以分成两个部分：

• 模型可以告诉我们所有的状态转换（如何转换）
• 以及发生的动作奖励是多少

model-Free

• 无模型
• 从经验中直接学习价值函数或者策略。

agent不知道外部世界

Model-Based RL

• 从经验中学习一个模型
• 根据这个模型去构造价值函数或者策略函数

**agent自己模拟一个外部世界。**赋予模型思考和预测的能力。

agent通过experience来构建自己的模型。模型构建成功之后，就可以通过模型产生value/policy

Advantages

• Model-Free有时候直接从status里面学习value/policy太困难了。因为status太多了。Model-Based通过supervised learning 方法有效的学习模型。
• 能够建立不确定的模型

Disadvantages

• 学习模型、再通过模型构建value function, 会产生两部误差

Model定义

定义： 模型$M$M 是一个$MDP<S,A,P,R>$MDP<S,A,P,R>以$\eta$η为参数的表示。

假设状态空间S和动作空间A都是已知的。

那么模型的表示为$M=<P_\eta, R_\eta>$M=<Pη​,Rη​>，其中分别代表状态转换和奖励转换$P_\eta \approx R$Pη​≈R ， $R_\eta \approx R$Rη​≈R
$S_{t+1} \sim P_\eta(S_{t+1} | S_t, A_t) \\ R_{t+1} = R_\eta(R_{t+1}|S_t, A_t)$St+1​∼Pη​(St+1​∣St​,At​)Rt+1​=Rη​(Rt+1​∣St​,At​)
通常假设状态转换和奖励之间是条件独立的
$\mathbb{P} [S_{t+1}, R_{t+1} | S_t, A_t]= \mathbb{P}[S_{t+1} | S_t, A_t]\mathbb{P}[R_{t+1}|S_t,A_t]$P[St+1​,Rt+1​∣St​,At​]=P[St+1​∣St​,At​]P[Rt+1​∣St​,At​]

目标

从经验序列{$S_1,A_1,R2, S_2,A_2,R_3...,S_T$S1​,A1​,R2,S2​,A2​,R3​...,ST​}学习一个KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲{M}_\eta。

这是一个监督学习的问题：
$S_1, A_1 \rightarrow R_2,S_2 \\ ...$S1​,A1​→R2​,S2​...
一共分成两个部分：

• s,a -> r ， 可以认为是回归问题。
• s,a -> s’ ，可认为是概率密度估计的问题。

选择参数$\eta$η使得最小化损失函数。

一些模型表示方法：

• Table Lookup Model 查表模型。存储状态行为对的转换概率和奖励
• Linear Expectation Model
• Linear Gaussian Model
• Deep Belief Network Model
• …

计划 Planning

给出一个模型KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲{M}_\eta = <P_\…

使用一些算法来解决MDP$<S,A,P_\eta,R_\eta>$<S,A,Pη​,Rη​>

这些算法是之前所学的：

• Value iteration 价值迭代
• Policy iteration 策略迭代
• Tree Search 树搜索
• …

Sample-Based Planning 基于采样的计划

• 只用模型产生样本。

• 然后使用无模型学习方法来学习这些样本。 例如Q-learning / MC control/ Sarsa

这两步可以理解为agent自己的想像。

例子：

过程：

• 从真实的经验出发建模
• 得到中间的模型
• 从模型中采样数据（这一步其实是agent通过模型自己想像的）
• 从采样的数据中学习价值函数。

建造模型的好处就是一旦模型创建成功，我们就相当于有无穷的数据可以训练。

如果模型不准确：

那么基于模型的RL算法表现受限制。planning过程将会得到一个次最优策略

解决办法：

• 使用Model-Free RL。
• 利用模型的不确定性进行推算（贝叶斯算法）

整合Model-Free 和 Model-Based

两种经验来源：

Real experience: 来自实际环境交互（True MDP）

Simulated experience: 来自于Model产生的。(approximate MDP)

Dyna

整合：

算法实现:

Dyna-Q有一个局限性，就是当环境改变，Model不能发现。所以要在Model构建的时候加入探索和额外奖励。这个就是Dyna-Q+

基于模拟的搜索

上面所说的Model，是通过一些方法拟合或者用表格表示出来reward和下一个状态的概率密度，也就是整个的MDP。

基于模拟的搜索，是从当前状态开始，通过模型建立一个前向所搜索树，利用model-free方法来学习当前状态这个搜索树的最佳决策。如果使用MC则称为Mote-Carlo Tree Search(MCTS), 如果使用Sarsa算法，则成为TD search。下面详细来解释：

前向搜索算法 Foward Search

前向搜索算法的思想则不同。他是通过向前看可能发生的各种情况，最后综合来选择最好的动作。在向前看的过程中，会建立一个以当前状态为根节点的搜索树

使用这个思想就不需要求解整个MDP过程，只需要求解从当前状态开始的子MDP过程。

基于模拟的搜索算法

在前向搜索过程中使用的经验是来自于 计划采样的（sample-based planning）

通过Model获得从当前状态开始，采样k个模拟序列

使用无模型算法从获得的序列中学习

• MC control -> MC search
• Sarsa -> TD search

MCTS

简化版 Monte-Carlo Search

给定Model KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲ ̲M_v 和模拟策略$\pi$π

对于每个动作的产生，都经历3个过程：

• 从当前状态开始，通过Model和模拟策略$\pi$π进行模拟，从而产生序列。(Simulation)
• 通过平均return来进行评估(Envaluation)
  • $Q(s_t,a) = \frac{1}{K} \sum_{k=1}^{K}G_t -^P\rightarrow q_\pi(s_t,a)$Q(st​,a)=K1​∑k=1K​Gt​−P→qπ​(st​,a)
• 通过最大的Q值选择执行动作
  

简化版只关注当前状态和行为对应的收获。 不关注模拟采样得到的中间状态和对应行为价值。

完全版MCTS

• 采样k个模拟序列

• 创建一个由已经访问过结点和动作所组成的树

• 对于树内的每个状态行为价值对，都采用这个式子进行评估

• 构建完成之后，选择当前状态$S_t$St​所能执行动作中Q值最大的。

对树的每个节点都计算平均收获来估算价值。