David Silver强化学习Lecture2：马尔可夫决策过程

课件：Lecture 2: Markov Decision Processes

视频：David Silver深度强化学习第2课 - 简介 (中文字幕)

马尔可夫过程

马尔可夫决策过程简介

马尔可夫决策过程(Markov Decision Processes, MDPs)形式上用来描述强化学习中的环境.

其中,环境是完全可观测的(fully observable),即当前状态可以完全表征过程.

几乎所有的强化学习问题都能用MDPs来描述：

最优控制问题可以描述成连续MDPs;
部分观测环境可以转化成MDPs;
赌博机问题是只有一个状态的MDPs.

马尔可夫性质

马尔科夫性质(Markov Property)表明: 未来只与现在有关,而与过去无关.

状态转移矩阵

对于一个马尔可夫状态$S$及其后继状态$S'$,其状态转移概率由下式定义:
\[
\mathcal { P } _ { s s ^ { \prime } } = \mathbb { P } \left[ S _ { t + 1 } = s ^ { \prime } | S _ { t } = s \right]
\]

状态转移矩阵(State Transition Matrix)$\mathcal{P}$定义了从所有状态$S$转移到所有后继状态$S'$的概率.

\[
\mathcal { P } = \left[ \begin{array} { c c c } { \mathcal { P } _ { 11 } } & { \dots } & { \mathcal { P } _ { 1 n } } \\ { \vdots } & { } & { } \\ { \mathcal { P } _ { n 1 } } & { \cdots } & { \mathcal { P } _ { n n } } \end{array} \right]
\]

其中,$n$为状态个数,且矩阵的每行和为1.

马尔可夫过程

马尔可夫过程(Markov Process)是一个无记忆的随机过程(memoryless random process).

即,随机状态$S_1, S_2, \dots$序列具有马尔可夫性质.

马尔可夫过程(或马尔可夫链)是一个二元组$<\mathcal{S}, \mathcal{P}>$

$\mathcal{S}$: (有限)状态集

$\mathcal{P}$: 状态转移概率矩阵, $\mathcal { P } _ { s s ^ { \prime } } = \mathbb { P } \left[ S _ { t + 1 } = s ^ { \prime } | S _ { t } = s \right]$

圆圈代表状态, 箭头代表状态之间的转移, 数值代表转移概率.

状态转移矩阵$\mathcal{P}$如下:
\[
{\mathcal P} =\begin{bmatrix} & C1 & C2 & C3 & Pass & Pub & FB & Sleep\\ C1 & &0.5 & & & & 0.5 & \\ C2 & & & 0.8 & & & &0.2\\ C3 & & & & 0.6& 0.4& &\\ Pass & & & & & & &1.0\\ Pub &0.2 & 0.4& 0.4 & & & &\\ FB &0.1 & & & & & 0.9 &\\ Sleep & & & & & & &1.0 \end{bmatrix}
\]

马尔可夫奖励过程

马尔可夫奖励过程(Markov Reward Process, MRP)是带有奖励的马尔可夫链.

马尔可夫奖励过程是一个四元组<$\mathcal{S}$, $\mathcal{P}$, $\mathcal{R}$, $\mathcal{\gamma}$>

$\mathcal{S}$: (有限)状态集

$\mathcal{P}$: 状态转移概率矩阵, $\mathcal { P } _ { s s ^ { \prime } } = \mathbb { P } \left[ S _ { t + 1 } = s ^ { \prime } | S _ { t } = s \right]$

$\mathcal{R}$: 奖励函数, $\mathcal { R } _ { s } = \mathbb { E } \left[ R _ { t + 1 } | S _ { t } = s \right]$

$\gamma$: 折扣因子, $\gamma \in [ 0,1 ]$

回报

回报(Return) $G_t$ 是从时间 $t$ 开始的总折扣奖励.
\[ G _ { t } = R _ { t + 1 } + \gamma R _ { t + 2 } + \ldots = \sum _ { k = 0 } ^ { \infty } \gamma ^ { k } R _ { t + k + 1 } \]

折扣因子 $\gamma \in [ 0,1 ]$ 表示未来的奖励在当前的价值. 由于未来的奖励充满不确定性, 因此需要乘上折扣因子;
$\gamma$ 接近 $0$ 表明更注重当前的奖励(myopic);
$\gamma$ 接近 $1$ 表明更具有远见(far-sighted).

值函数

值函数(Value Function) $v(s)$ 表示一个状态 $s$ 的长期价值(long-term value).

一个马尔可夫奖励过程(MRP)的状态值函数 $v(s)$是从状态 $s$ 开始的期望回报.
\[v ( s ) = \mathbb { E } \left[ G _ { t } | S _ { t } = s \right]\]

MRPs的贝尔曼方程

值函数可以被分解为两部分:

立即奖励 $R_{t+1}$
后继状态的折扣价值 $\gamma v(S_{t+1})$

\[
\begin{aligned}
v ( s ) & = \mathbb { E } \left[ G _ { t } | S _ { t } = s \right] \\
& = \mathbb { E } \left[ R _ { t + 1 } + \gamma R _ { t + 2 } + \gamma ^ { 2 } R _ { t + 3 } + \ldots | S _ { t } = s \right] \\
& = \mathbb { E } \left[ R _ { t + 1 } + \gamma \left( R _ { t + 2 } + \gamma R _ { t + 3 } + \ldots \right) | S _ { t } = s \right] \\
& = \mathbb { E } \left[ R _ { t + 1 } + \gamma G _ { t + 1 } | S _ { t } = s \right] \\
& = \mathbb { E } \left[ R _ { t + 1 } | S _ { t } = s \right] + \mathbb { E } \left[ \gamma G _ { t + 1 } | S _ { t } = s \right]\\
& = \mathbb { E } \left[ R _ { t + 1 } | S _ { t } = s \right] + \gamma v \left( S _ { t + 1 } \right)\\
& = \mathbb { E } \left[ R _ { t + 1 } + \gamma v \left( S _ { t + 1 } \right) | S _ { t } = s \right]
\end{aligned}
\tag{1}
\label{eq:mrp-bellman-equation}
\]

上式表明, $t$ 时刻的状态 $S_t$ 和 $t+1$ 时刻的状态 $S_{t+1}$ 的值函数之间满足递推关系.

该递推式也称为贝尔曼方程(Bellman Equation).

如果已知概率转移矩阵 $\mathcal{P}$, 则可将公式\eqref{eq:mrp-bellman-equation}变形为:

\[
v ( s ) = \mathcal { R } _ { s } + \gamma \sum _ { s ^ { \prime } \in \mathcal { S } } \mathcal { P } _ { s s ^ { \prime } } v \left( s ^ { \prime } \right)
\tag{2}
\label{eq:mrp-bellman-equation-2}
\]

例子:

贝尔曼方程的矩阵形式:

可将公式\eqref{eq:mrp-bellman-equation-2}改写为矩阵形式:

\[
v = \mathcal { R } + \gamma \mathcal { P } v
\]

其中, $v$ 为一个列向量, 向量的元素为每个状态的值函数.

\[
\left[ \begin{array} { c } { v ( 1 ) } \\ { \vdots } \\ { v ( n ) } \end{array} \right] = \left[ \begin{array} { c } { \mathcal { R } _ { 1 } } \\ { \vdots } \\ { \mathcal { R } _ { n } } \end{array} \right] + \gamma \left[ \begin{array} { c c c } { \mathcal { P } _ { 11 } } & { \ldots } & { \mathcal { P } _ { 1 n } } \\ { \vdots } & { } & { } \\ { \mathcal { P } _ { n1 } } & { \ldots } & { \mathcal { P } _ { n n } } \end{array} \right] \left[ \begin{array} { c } { v ( 1 ) } \\ { \vdots } \\ { v ( n ) } \end{array} \right]
\]

观测贝尔曼方程的矩阵形式, 可知其为线性方程, 可直接求解如下.

\[
\begin{aligned}
v & = \mathcal { R } + \gamma \mathcal { P } v \\
( I - \gamma \mathcal { P } ) v & = \mathcal { R } \\
v & = ( I - \gamma \mathcal { P } ) ^ { - 1 } \mathcal { R }
\end{aligned}
\]

计算复杂度为: $\mathcal{O}(n^3)$. 因此, 只适合直接求解小规模的MRP问题.

对于大规模的MRP问题, 通常采取以下的迭代方法:

动态规划(Dynamic programming)
蒙特卡洛评估(Monte-Carlo evaluation)
时序差分学习(Temporal-Difference learning)

马尔可夫决策过程

马尔可夫决策过程(Markov Decision Process, MDP)是带有决策的马尔可夫奖励过程.

马尔可夫决策过程是一个五元组<$\mathcal{S}$, $\mathcal{A}$, $\mathcal{P}$, $\mathcal{R}$, $\mathcal{\gamma}$>

$\mathcal{S}$: 有限的状态集

$\mathcal{A}$: 有限的动作集

$\mathcal{P}$: 状态转移概率矩阵, $\mathcal { P } _ { s s ^ { \prime } } ^ {a}= \mathbb { P } \left[ S _ { t + 1 } = s ^ { \prime } | S _ { t } = s, A _ { t } = a \right]$

$\mathcal{R}$: 奖励函数, $\mathcal { R } _ { s } ^ {a} = \mathbb { E } \left[ R _ { t + 1 } | S _ { t } = s, A _ { t } = a \right]$

$\gamma$: 折扣因子, $\gamma \in [ 0,1 ]$

例子:

策略

策略(Policy) $\pi$ 是给定状态的动作分布.
\[ \pi ( a | s ) = \mathbb { P } \left[ A _ { t } = a | S _ { t } = s \right] \]

策略完全决定智能体的行为;
MDP策略值依赖于当前状态(无关历史);
策略是固定的(与时间无关). $A _ { t } \sim \pi ( \cdot | S _ { t } ) , \forall t > 0$

给定一个马尔可夫决策过程 $M = <\mathcal{S},\mathcal{A}, \mathcal{P}, \mathcal{R}, \mathcal{\gamma}>$ 和一个策略 $\pi$, 其可以转化为马尔可夫过程和马尔可夫奖励过程.

状态序列 $S_1, S_2, \dots$ 是马尔科夫决策过程 $<\mathcal{S}, \mathcal{P}^{\pi}>$.
状态和奖励序列 $S_1, R_2, S_2, \dots$ 是马尔科夫奖励过程 $<\mathcal{S}, \mathcal{P}^{\pi}, \mathcal{R}^{\pi}, \gamma>$.

其中,

\[
\mathcal{P}_{s,s'}^{\pi} = \sum \limits_{a \in \mathcal{A}} \pi (a | s) \mathcal{P}_{ss'}^{a}
\]

\[
\mathcal{R}_{s}^{\pi} = \sum \limits_{a \in \mathcal{A}} \pi (a | s) \mathcal{R}_{s}^{a}
\]

值函数

值函数(Value Function)可分为状态值函数(state-value function)和动作值函数(action-value function).

MDP的状态值函数 $v_{\pi}(s)$ 是从状态 $s$ 开始, 然后按照策略 $\pi$ 决策所获得的期望回报.
\[v_{\pi}(s) = \mathbb{E}_{\pi} \left[ G_t | S_t = s \right]\]

MDP的动作值函数 $q_{\pi}(s, a)$ 是从状态 $s$ 开始, 采取动作 $a$, 然后按照策略 $\pi$ 决策所获得的期望回报.
\[q_{\pi}(s, a) = \mathbb{E}_{\pi} \left[ G_t | S_t = s, A_t = a \right]\]

贝尔曼期望方程

状态值函数可以被分解为两部分, 立即奖励 + 后继状态的折扣价值.

\[
v_{\pi}(s) = \mathbb{E}_{\pi} \left[ R_{t+1} + \gamma v_{\pi}(S_{t+1}) | S_t = s \right]
\]

动作值函数也可以类似地分解.

\[
q_{\pi}(s, a) = \mathbb{E}_{\pi} \left[ R_{t+1} + \gamma q_{\pi}(S_{t+1}, A_{t+1}) | S_t = s, A_t = a \right]
\]

上图中, 空心圆圈代表状态, 实心圆圈代表动作.

在已知策略 $\pi$ 的情况下, 状态值函数 $v_{\pi}(s)$ 可以用动作值函数 $q_{\pi}(s, a)$ 进行表示:

\[
v_{\pi}(s) = \sum \limits_{a \in \mathcal{A}} \pi(a | s) q_{\pi}(s, a)
\tag{3}
\label{eq:mdp-state-value-function}
\]

同理, 动作值函数 $q_{\pi}(s, a)$ 也可以用状态值函数 $v_{\pi}(s)$ 进行表示:

\[
q_{\pi}(s, a) = \mathcal{R}_{s}^{a} + \gamma \sum \limits_{s' \in \mathcal{S}} \mathcal{P}_{ss'}^{a}v_{\pi}(s')
\tag{4}
\label{eq:mdp-action-value-function}
\]

状态值函数的贝尔曼期望方程:

将公式\eqref{eq:mdp-action-value-function}代入公式\eqref{eq:mdp-state-value-function}中, 可得状态值函数的贝尔曼期望方程:

\[
v_{\pi}(s) = \sum \limits_{a \in \mathcal{A}} \pi (a | s) \left( \mathcal{R}_{s}^{a} + \gamma \sum \limits_{s' \in \mathcal{S}} \mathcal{P}_{ss'}^{a} v_{\pi}(s') \right)
\]

动作值函数的贝尔曼期望方程:

将公式\eqref{eq:mdp-state-value-function}代入公式\eqref{eq:mdp-action-value-function}中, 可得动作值函数的贝尔曼期望方程:

\[
q_{\pi}(s, a) = \mathcal{R}_{s}^{a} + \gamma \sum \limits_{s' \in \mathcal{S}} \mathcal{P}_{ss'}^{a} \sum \limits_{a' \in \mathcal{A}} \pi (a' | s') q_{\pi}(s', a')
\]

例子:

贝尔曼期望方程的矩阵形式:

\[
v_{\pi} = \mathcal{R}^{\pi} + \gamma \mathcal{P}^{\pi} v_{\pi}
\]

可直接求解:

\[
v_{\pi} = (I - \gamma \mathcal{P}^{\pi})^{-1} \mathcal{R}^{\pi}
\]

最优值函数

最优状态值函数(optimal state-value function) $v_{*}(s)$ 是所有策略中最大的值函数.
\[ v_{*}(s) = \max \limits_{\pi}v_{\pi}(s) \]

最优动作值函数(optimal action-value function) $q_{*}(s, a)$ 是所有策略中最大的动作值函数.
\[ q_{*}(s, a) = \max \limits_{\pi}q_{\pi}(s, a) \]

最优值函数代表了MDP的最好性能.
当得知最优值函数时, MDP可被认为"已解决".

例子:

注: 根据公式\eqref{eq:mdp-state-value-function}, Pub动作的最优值应为 $q_{*} = +1 + (0.2 \times 6 + 0.4 \times 8 + 0.4 \times 10) = 9.4$.

最优策略

首先定义策略之间的偏序关系, 使得策略之间可以进行比较:

\[
\pi \geq \pi ' \quad \text{if} \quad v_{\pi}(s) \geq v_{\pi '}(s) , \forall s
\]

对于任意的MDP来说:

存在一个最优策略 $\pi_{*}$, 使得 $\pi_{*} \geq \pi, \forall \pi$
所有的最优策略都能取得最优值函数 $v_{\pi_{*}}(s) = v_{*}(s)$
所有的最优策略都能取得最优动作值函数 $q_{\pi_{*}}(s, a) = q_{*}(s, a)$

寻找最优策略

一个最优策略可以通过最大化所有的 $q_{*}(s, a)$ 得到:

\[
\pi_{*} \left( a | s \right) = \left \{
\begin{array}{ll}
1 \ if \ a = \operatorname*{argmax} \limits_{a \in \mathcal{A}} \ q_{*} \left( s,a \right) \\
0 \ otherwise
\end{array} \right.
\]

对于任意的MDP, 总存在确定的最优策略
如果我们知道 $q_{*}(s, a)$, 则可以立即得到最优策略

例子:

图中红色弧线表示每个状态的最优决策.

贝尔曼最优方程

$v_{*}$可以通过贝尔曼最优方程递归得到:

\[
v_{*}(s) = \max \limits_{a} q_{*}(s, a)
\tag{5}
\label{eq:state-bellman-optimal-equation}
\]

与公式\eqref{eq:mdp-state-value-function}的贝尔曼期望方程进行比较, 此时不再取均值, 而是取最大值.

$q_{*}$与公式\eqref{eq:mdp-action-value-function}类似:

\[
q _ { * } ( s , a ) = \mathcal { R } _ { s } ^ { a } + \gamma \sum _ { s ^ { \prime } \in \mathcal { S } } \mathcal { P } _ { s s ^ { \prime } } ^ { a } v _ { * } \left( s ^ { \prime } \right)
\tag{6}
\label{eq:action-bellman-optimal-equation}
\]

状态值函数的贝尔曼最优方程

将公式\eqref{eq:action-bellman-optimal-equation}代入公式\eqref{eq:state-bellman-optimal-equation}可得 $v_{*}$ 的贝尔曼最优方程:

\[
v _ { * } ( s ) = \max _ { a } \mathcal { R } _ { s } ^ { a } + \gamma \sum _ { s ^ { \prime } \in \mathcal { S } } \mathcal { P } _ { s s ^ { \prime } } ^ { a } v _ { * } \left( s ^ { \prime } \right)
\]

动作值函数的贝尔曼最优方程

将公式\eqref{eq:state-bellman-optimal-equation}代入公式\eqref{eq:action-bellman-optimal-equation}可得 $q_{*}$ 的贝尔曼最优方程:

\[
q _ { * } ( s , a ) = \mathcal { R } _ { s } ^ { a } + \gamma \sum _ { s ^ { \prime } \in \mathcal { S } } \mathcal { P } _ { s s ^ { \prime } } ^ { a } \max _ { a ^ { \prime } } q _ { * } \left( s ^ { \prime } , a ^ { \prime } \right)
\]

例子:

贝尔曼最优方程的求解

贝尔曼最优方程不是线性的(因为有取$max$操作), 因此没有封闭解(Closed-form solution).

通常采用迭代求解方法:

值迭代(Value Iteration)
策略迭代(Policy Iteration)
Q-Learning
Sarsa

MDP的扩展

无穷和连续的MDPs
部分可观测的MDPs
不折扣, 平均奖励MDPs