前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >强化学习读书笔记 - 12 - 资格痕迹(Eligibility Traces)

强化学习读书笔记 - 12 - 资格痕迹(Eligibility Traces)

作者头像
绿巨人
发布2018-05-17 14:52:40
1.5K0
发布2018-05-17 14:52:40
举报
文章被收录于专栏:绿巨人专栏

强化学习读书笔记 - 12 - 资格痕迹(Eligibility Traces)

学习笔记: Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016

参照

需要了解强化学习的数学符号,先看看这里:

资格迹(Eligibility Traces)

如何理解资格迹

资格迹是一个向量,称为eligibility trace vector。 强化学习是找最优策略\pi_*。 最优策略\pi_*等价于最优行动\pi_*(s)。 最优行动\pi_*(s)可以由最优状态价值v_*(s)(或者最优行动价值q_*(s, a))决定。 如果把v_*(s)(或者q_*(s, a))看成一个函数,因此:强化学习变成了求这个函数。

在近似方法中v_*(s)(或者q_*(s, a))表示为近似预测函数\hat{v}(s, \theta)(或者近似控制函数\hat{q}(s, a, \theta))。 以近似预测函数\hat{v}(s, \theta)为例: \hat{v} \doteq \theta^T \phi(s) \phi(s)可以认为是固定的。它是将状态变成一个计算向量的方法。 因此,求近似预测函数\hat{v}(s, \theta),就是求解权重向量\theta。 求权重向量\theta是通过梯度下降的方法。比如: \delta_t = G_t - \hat{v}(S_t, \theta_t) \\ \theta_{t+1} = \theta_t + \alpha \delta_t \nabla \hat{v}(S_t, \theta_t) 这里面,有三个元素:\alpha, G_t, \nabla \hat{v}(S_t, \theta_t)。每个都有自己的优化方法。

  • \alpha是学习步长 要控制步长的大小。一般情况下步长是变化的。比如:如果误差\delta_t变大了,步长要变小。
  • G_t的计算 可以通过本章的\lambda - return方法。
  • \nabla \hat{v}(S_t, \theta_t) 可以通过资格迹来优化。资格迹就是优化后的函数微分。 为什么要优化,原因是在TD算法中\hat{v}(S_t, \theta_t)是不精确的。 G_t也是不精确的。

\lambda - return

\lambda - return 提供了一个新的方式来估算\(G_t\),这个新的估值为\(G_t^{\lambda}\)。 它是由它后面的所有\(G_t^{(n)}\)的加权平均值。 从下面的公式可以看出,这个方法可以用于连续性任务和情节性任务。

G_t^{(n)} \doteq R_{t+1} + \gamma R_{t+2} + \dots + \gamma^{n-1} R_{t+n} + \gamma^n \hat{v}(S_{t+n}, \theta_{t+n-1}) , \ 0 \le t \le T-n \\ \text{Continuing tasks: } \\ G_t^{\lambda} \doteq (1 - \lambda) \sum_{n=1}^{\infty} \lambda^{n-1}G_t^{(n)} \\ \text{Episodic tasks: } \\ G_t^{\lambda} \doteq (1 - \lambda) \sum_{n=1}^{T-t-1} \lambda^{n-1}G_t^{(n)} + \lambda^{T-t-1}G_t \\ where \\ \lambda \in [0, 1] \\ (1 - \lambda) \sum_{n=1}^{\infty}\lambda^{n-1} = 1 \\ (1 - \lambda) \sum_{n=1}^{T-t-1} \lambda^{n-1} + \lambda^{T-t-1} = 1 \\

  • 算法描述 Input: the policy \(\pi\) to be evaluated Input: a differentiable function \(\hat{v} : \mathcal{S} \times \mathbb{R^n} \to \mathbb{R}\) Initialize value-function weights \(\theta\) arbitrarily (e.g. \(\theta = 0\)) Repeat (for each episode):   Generate an episode \(S_0, A_0, R_1 ,S_1 ,A_1, \cdots ,R_t ,S_t\) using \(\pi\)   For \(t = 0, 1, \cdots, T - 1\) \(\theta \gets \theta + \alpha [\color{Red}{G_t^{\lambda}} -\hat{v}(S_t, \theta)] \nabla \hat{v}(S_t, \theta)\)

比较下面这个算法(第9章的蒙特卡罗方法),红色是不同之处。

  • 算法描述 Input: the policy \(\pi\) to be evaluated Input: a differentiable function \(\hat{v} : \mathcal{S} \times \mathbb{R^n} \to \mathbb{R}\) Initialize value-function weights \(\theta\) arbitrarily (e.g. \(\theta = 0\)) Repeat (for each episode):   Generate an episode \(S_0, A_0, R_1 ,S_1 ,A_1, \cdots ,R_t ,S_t\) using \(\pi\)   For \(t = 0, 1, \cdots, T - 1\) \(\theta \gets \theta + \alpha [\color{Red}{G_t} -\hat{v}(S_t, \theta)] \nabla \hat{v}(S_t, \theta)\)

可以看出当\(\lambda=1\)的时候,\(\lambda\) - return算法就是蒙特卡罗算法。所以说\(\lambda\) - return算法是蒙特卡罗算法的通用化算法

\(\lambda\)和\(\gamma\)一起控制了n步回报\(G_t^{(n)}\)的权重。

TD(\(\lambda\))

\(e_t\) - 第t步资格迹向量(eligibility trace rate)。 资格迹向量是近似价值函数的优化微分值。 其优化的技术称为(backward view)。仔细观察公式可以发现\(e_t\)的算法中包含了以前的微分值。

  • 数学公式 \[ e_0 \doteq 0 \\ e_t \doteq \nabla \hat{v}(S_t, \theta_t) + \gamma \lambda e_{t-1} \\ \delta_t \doteq R_{t+1} + \gamma \hat{v}(S_{t+1}, \theta_t) - \hat{v}(S_{t}, \theta_t) \\ \theta_{t+1} \doteq \theta_t + \alpha \delta_t e_t \\ where \\ e_t \text{ - eligibility accumulating traces, the estimation differential of } \nabla \hat{v}(S_t, \theta) \\ \delta_t \text{ - the TD error} \\ \theta_t \text{ - the weighted vector in the approximation value function } \hat{v}(S, \theta) \\ \]
  • 算法描述(Semi-gradient TD(\(\lambda\)) for estimating \(\hat{v} \approx v_{\pi}\)) 请参考原书。

On-line Forward View

On-line和off-line的一个区别是off-line的数据是完整的,比如拥有一个情节的所有Return(G)。 这个导致off-line算法不适合on-line的情景,就是说在完成一个情节前,学习不到任何东西。 这个章节要开发一个on-line的算法,首先引入一个概念h。 h(horizon)- 水平线h表示on-line当时可以模拟的数据步骤。\(t < h \le T\) 没有步骤h之后的数据。

  • h-truncated \(\lambda\)-return G_t^{\lambda | h} \doteq (1 - \lambda) \sum_{n=1}^{h-t-1} \lambda^{n-1} G_t^{(n)} + \lambda^{h-t-1} G_t^{(h-t)}, \ 0 \le t < h \le T \\ \theta_{t+1}^h \doteq \theta_{t}^h \alpha \left [ G_t^{\lambda | h} - \hat{v}(S_t, \theta_t^h) \right ] \nabla \hat{v}(S_t, \theta_t^h) , \ 0 \le t < h \le T \\ \theta_t \doteq \ \theta_t^t \\ where \\ h \text{ - the horizon, we have the n-step returns up to the the horizon, but beyond the horizon there is no data}

True on-line TD(\(\lambda\))

e_0 \doteq 0 \\ e_t \doteq \gamma \lambda e_{t-1} + (1 - \alpha \gamma \lambda e_{t-1}^T \phi_t) \phi_t \\ \delta_t \doteq R_{t+1} + \gamma \hat{v}(S_{t+1}, \theta_t) - \hat{v}(S_{t}, \theta_t) \\ \theta_{t+1} \doteq \theta_t + \alpha \delta_t e_t + \alpha \left ( \theta_t^T \phi_t - \theta_{t-1}^T \phi_t \right ) (e_t - \phi_t) \\ where \\ e_t \text{ - eligibility dutch trace, the estimation differential of } \nabla \hat{v}(S_t, \theta) \\ \delta_t \text{ - the TD error} \\ \theta_t \text{ - the weighted vector in the approximation value function } \hat{v}(s, \theta) \\ \hat{v}(s, \theta) = \theta^T \phi(s) \\

  • 算法描述(True Online TD(\(\lambda\)) for estimating \(\theta^T \phi \approx v_{\pi}\)) 请参考原书。

原书还没有完成,这章先停在这里

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-03-25 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 强化学习读书笔记 - 12 - 资格痕迹(Eligibility Traces)
    • 参照
      • 资格迹(Eligibility Traces)
        • 如何理解资格迹
        • - return
      • TD(\(\lambda\))
        • On-line Forward View
          • True on-line TD(\(\lambda\))
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档