当前位置： 移动技术网 > 互联网>游戏 > 4.蒙特卡洛（Monte-Carlo, MC）+时序差分（Temporal Difference, TD）

4.蒙特卡洛（Monte-Carlo, MC）+时序差分（Temporal Difference, TD）

2020年07月15日  | 移动技术网互联网  | 我要评论

目录

深度强化学习目录

简介

之前讲的PG算法和PPO算法，都是Policy-based的方法，接下来我们要讲Value-based的方法。之前说过了，P-B方法和V-B方法的区别在于前者训练的是策略本身（actor），而后者训练的是一种评判标准（critic）。critic能根据你输入的状态/动作，凭借策略π\pi来输出对应的值函数。值函数有两种，一种是V（状态-值函数），一种是Q（状态-动作值函数），我们要讲的MC算法和TD算法是用来估计V值函数的。

符号

  • τ\tau：一轮游戏中的具体过程（trajectory），τ={s1,a1,r1,s2,a2,r2,…,sT,aT,rT}\tau=\{s_1,a_1,r_1,s_2,a_2,r_2,\ldots,s_T,a_T,r_T\}，是状态-行为-奖赏的时间序列。
  • GtG_t：时间从t到结束的累积奖赏，由于t时刻的奖励是采取行动后t+1时刻才拥有的，所以GtG_t满足：Gt=rt+1+rt+2+…G_t={r_{t+1}+r_{t+2}+\ldots}
  • Vπ(s)V_\pi(s)：策略为π\pi的状态-值函数，即状态s下预计累计回报的期望值，满足：Vπ(s)=E[Gt∣St=s]V_\pi(s)=\mathbb{E}[G_t\vert S_t=s]
  • Qπ(s,a)Q_\pi(s,a)：策略为π\pi的状态-动作值函数，即状态s下采取动作a预计累计回报的期望值，满足：Qπ(s,a)=E[Gt∣St=s,At=a]Q_\pi(s,a)=\mathbb{E}[G_t\vert S_t=s,A_t=a]

蒙特卡洛（Monte-Carlo, MC）算法

MC算法就是通过采样来估计分布的一种算法。在一场游戏中，先让策略π\pi去和环境进行交互获取数据，看到状态ss后计算整场游戏的累积奖赏GG，记录下这些数据后训练一个回归问题来拟合Vπ(s)V_\pi(s)。如下图所示：
来自B站李宏毅深度学习
公式逼近为：Vπ(s)←Vπ(s)+α(Gt−Vπ(s))V_\pi(s)\leftarrow V_\pi(s)+\alpha(G_t-V_\pi(s))

其中α\alpha为学习率，越接近1学的越快。
显而易见，这样的训练需要大量的采样，并且每次update都需要一整轮的累积奖赏GtG_t，因此实际情况下我们用TD算法会比较多。

时序差分（Temporal Difference, TD）算法

在MC算法中，我们每次都要算整场游戏的总和GG。有的游戏很长，每次都要玩完游戏会花费很多时间。而TD算法只需要有…st,at,rt,st+1,…\ldots s_t,a_t,r_t,s_{t+1},\ldots这样的序列，就可以应用。
这是基于一个显见的递推公式：Vπ(st)=Vπ(st+1)+rtV_\pi(s_t)=V_\pi(s_{t+1})+r_t

有了这样一个递推公式，我们只需要记录每一步的即时奖励rtr_t，通过神经网络直接训练VπV_\pi函数，分别输入sts_t和st+1s_{t+1}，将两个结果相减，再将减后的结果与rtr_t进行回归拟合就行了。如下图所示：
来源b站李宏毅深度学习
公式逼近为：Vπ(s)←Vπ(s)+α(rt+1+Vπ(s′)−Vπ(s))V_\pi(s)\leftarrow V_\pi(s)+\alpha(r_{t+1}+ V_\pi(s')-V_\pi(s))

其中s′s'是下一步的状态。

MC v.s. TD

MC的问题在于其方差过大。我们用MC算法回归估计的是累积奖赏GG，而累积奖赏是许多step的和，而游戏的每一步step的奖赏rr都有随机性，这份随机性也通过方差积累下来了。
而TD中的即时奖赏rr同样具有随机性，但是方差会小很多。TD的问题在于V的估计可能不准，那递归调用就会放大这份估计的误差。

例子

假设通过一个策略π\pi玩游戏，获得了以下8轮的τ\tau：

  • sa,ra=0,sb,rb=0,Ends_a,r_a=0,s_b,r_b=0,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=1,Ends_b,r=1,End
  • sb,r=0,Ends_b,r=0,End

我们通过MC和TD算法分别估测a和b的状态值函数。
Monte-Carlo:Vπ(sa)=0Vπ(sb)=34V_\pi(s_a)=0\\V_\pi(s_b)=\frac{3}{4}
Temporal Difference:Vπ(sa)=Vπ(sb)=34V_\pi(s_a)=V_\pi(s_b)=\frac{3}{4}
如之前所说，MC算法就是采样状态s，然后计算其V值。我们发现在这8轮游戏中，a在第一轮出现一次，且一整轮的累积奖赏G1=ra+rb=0G_1=r_a+r_b=0，所以Vπ(sa)=E[Ga]=G1=0V_\pi(s_a)=\mathbb{E}[G_a]=G_1=0；而b在8轮中都出现过了，其中有六轮中累积奖赏G1,2,3,4,5,6=1G_{1,2,3,4,5,6}=1，两轮中累积奖赏G0,7=0G_{0,7}=0，所以Vπ(sb)=E[Gb]=18∑i=07Gi=34V_\pi(s_b)=\mathbb{E}[G_b]=\frac{1}{8}\sum_{i=0}^7 G_i=\frac{3}{4}。
TD算法则是根据动作的即时奖赏来估计V值。在8轮中，状态sbs_b都是最后一个状态，所以对于每一轮都有Vπ(sb)=Vπ(End)+rV_\pi(s_b)=V_\pi(End)+r。而由定义易得Vπ(End)=0V_\pi(End)=0，所以Vπ(sb)=34V_\pi(s_b)=\frac{3}{4}。对于Vπ(sa)V_\pi(s_a)，在第一轮中有Vπ(sa)=Vπ(sb)+raV_\pi(s_a)=V_\pi(s_b)+r_a，且ra=0r_a=0，所以Vπ(sa)=Vπ(sb)=34V_\pi(s_a)=V_\pi(s_b)=\frac{3}{4}。

其他的critic

如果不估计VπV_\pi而是用动作-状态值函数QπQ_\pi，也是可以用MC和TD方法的，过程基本一致，不过Q函数接收的参数除了状态还有动作，因此需要更改一下公式。

总结

实际运用中用TD算法比较多。接下来讲Q-learning。

本文地址：https://blog.csdn.net/qq_39160779/article/details/107309495

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网