4. 强化学习之——值函数近似

课程纲要

值函数近似简介

值函数近似用于prediction【给定策略函数给定它的价值】

值函数近似用于control

DQN简介

为什么要有值函数近似

之前的课程提到的 RL 问题：像 Cliff Walk 等，都只有几千或者几百种状态，可以用 V值的向量或者 Q-Table 的方式表达出来

而其它大规模的 MDP 问题：像 Go【10**170】 等状态空间十分十分巨大，宇宙中的原子数量也只有 10**80 那么多，那么我们就没有那么大的存储空间，而且状态太多了学习起来很慢很慢

在这种大规模的强化学习问题中，如何去估计价值函数是个困难的问题，怎样把model-free的方法用上去

因此在面对大规模 MDP 问题时，要避免用 table 去表征，而是采用带参数的函数近似的方式去近似估计 V Q π：

好处是 ——（1）可以泛化到我们没见过的状态（2）可以用 MC 或者 TD 方法 update 那个 w 参数

不同的函数设计方式思路：

函数近似方法用于 prediction

线性近似；神经网络；决策树；最近邻；

我们更关注于可微分的第一个线性方法和第二个神经网络方法

复习梯度下降方法：

假设我们获得了实际的价值函数时，就可以用梯度下降方法更新 w 参数：【这里有个问题，我都有V了为什么还要估计V】

线性模型值函数近似：

当我们知道实际的价值函数时：

当我们是处于一种 model-free 的情况下时：可以采用之前的model-free prediction的方法

具体来讲就是：

蒙特卡罗 MC 预测用于值函数逼近的具体算法：

时域差分 TD 预测用于值函数逼近的具体算法：

其中semi-gradient 的表现形式与流程可以看作：

在有实际的状态动作值函数的情况下运用梯度下降法进行Q函数逼近：

线性状态动作值函数近似：

函数近似方法用于 control

和前面一样，我们没有获得真正的 groundtruth 的 Q 函数，那么对于 MC，Sarsa 和 Q-Learning 来说：

考虑值函数逼近在控制上的收敛问题：

补充：强化学习的死亡三角【强化学习不确定不稳定的因素】

（1）function approximation：近似V或者Q时引入了误差

（2）bootstrapping：TD基于之前来估计当前，引入噪声；MC用了实际的return，而且是无偏的，所以稍微好一点

（3）off-policy training：我们使用了异策略，两个策略的差异因素

控制算法的收敛性问题总结：

前面我们说的都是单步的优化，现在有了 batch 的优化：

最小均方差 prediction & control：

当这个数据集合太大一次优化不完时，我们可以通过采样的方式进行：【其实就是随机梯度下降然后进行迭代】

非线性函数拟合值函数

线性的函数逼近只有在我们定义了好的 feature 之后才能比较好的 work，而非线性函数的拟合具有更好的能力，神经网络是一种很强的非线性拟合的函数

DQN 是2015年发表于 Nature 上的

出现的问题以及解决方法：

问题1：样本之间具有相关性——>解决方法：经验重放，用两个网络

问题2：不稳定的目标——>解决方法：fixed targets

解决问题之后的结果：

 

DQN 的一些python demo