强化学习笔记 [7] | 时序差分离线控制算法Q-Learning
0. 引言
在强化学习(六)时序差分在线控制算法SARSA中我们讨论了时序差分的在线控制算法SARSA,而另一类时序差分的离线控制算法还没有讨论,因此本文我们关注于时序差分离线控制算法,主要是经典的Q-Learning算法。
Q-Learning这一篇对应Sutton书的第六章部分和UCL强化学习课程的第五讲部分。
1. Q-Learning算法的引入
Q-Learning算法是一种使用时序差分求解强化学习控制问题的方法,回顾下此时我们的控制问题可以表示为:给定强化学习的5个要素:状态集 $S$, 动作集 $A$, 即时奖励 $R$,衰减因子 $γ$, 探索率 $ϵ$, 求解最优的动作价值函数 $q∗$和最优策略 $π∗$。
这一类强化学习的问题求解不需要环境的状态转化模型,是不基于模型的强化学习问题求解方法。对于它的控制问题求解,和蒙特卡罗法类似,都是价值迭代,即通过价值函数的更新,来更新策略,通过策略来产生新的状态和即时奖励,进而更新价值函数。一直进行下去,直到价值函数和策略都收敛。
再回顾下时序差分法的控制问题,可以分为两类,一类是在线控制,即一直使用一个策略来更新价值函数和选择新的动作,比如我们上一篇讲到的SARSA, 而另一类是离线控制,会使用两个控制策略,一个策略用于选择新的动作,另一个策略用于更新价值函数。这一类的经典算法就是Q-Learning。
对于Q-Learning,我们会使用 $ϵ−$贪婪法来选择新的动作,这部分和SARSA完全相同。但是对于价值函数的更新,Q-Learning使用的是贪婪法,而不是SARSA的 $ϵ−$贪婪法。这一点就是SARSA和Q-Learning本质的区别。
2. Q-Learning算法概述
Q-Learning算法的拓扑图如下图所示:
首先我们基于状态 $S$,用 $ϵ−$贪婪法选择到动作 $A$, 然后执行动作$A$,得到奖励 $R$,并进入状态 $S’$,此时,如果是SARSA,会继续基于状态 $S’$,用 $ϵ−$贪婪法选择 $A’$,然后来更新价值函数。但是Q-Learning则不同。
对于Q-Learning,它基于状态 $S’$,没有使用 $ϵ−$贪婪法选择 $A$,而是使用贪婪法选择 $A’$,也就是说,选择使 $Q(S’,a)$ 最大的 $a$ 作为 $A’$来更新价值函数。用数学公式表示就是:
$$Q(S,A)=Q(S,A)+\alpha(R+\gamma\max_aQ(S^{\prime},a)-Q(S,A))$$
对应到上图中就是在图下方的三个黑圆圈动作中选择一个使 $Q(S’,a)$最大的动作作为 $A’$。
此时选择的动作只会参与价值函数的更新,不会真正的执行。价值函数更新后,新的执行动作需要基于状态 $S’$,用 $ϵ−$贪婪法重新选择得到。这一点也和SARSA稍有不同。对于SARSA,价值函数更新使用的 $A’$ 会作为下一阶段开始时候的执行动作。
下面我们对Q-Learning算法做一个总结。
3. Q-Learning算法流程
下面我们总结下Q-Learning算法的流程。
- 算法输入:迭代轮数 $T$,状态集 $S$, 动作集 $A$, 步长 $α$,衰减因子 $γ$, 探索率 $ϵ$,
- 输出: 所有的状态和动作对应的价值 $Q$
- 随机初始化所有的状态和动作对应的价值Q�. 对于终止状态其Q�值初始化为0.
- for i from 1 to T,进行迭代。
- a) 初始化 $S$ 为当前状态序列的第一个状态。
- b) 用 $ϵ−$贪婪法在当前状态 $S$ 选择出动作 $A$
- c) 在状态 $S$执行当前动作 $A$,得到新状态 $S’$和奖励 $R$
- d) 更新价值函数 $Q(S,A)$:
- $$Q(S,A)+\alpha(R+\gamma\max_aQ(S^{\prime},a)-Q(S,A))$$
- e) $S=S'$
- f) 如果$S’$是终止状态,当前轮迭代完毕,否则转到步骤b)
4. Q-Learning算法实例:Windy GridWorld
我们还是使用和SARSA一样的例子来研究Q-Learning。如果对windy gridworld的问题还不熟悉,可以复习强化学习(六)时序差分在线控制算法SARSA第4节的第二段。
完整的代码参见github: https://github.com/ljpzzz/machinelearning/blob/master/reinforcement-learning/q_learning_windy_world.py
绝大部分代码和SARSA是类似的。这里我们可以重点比较和SARSA不同的部分。区别都在episode()
这个函数里面。
首先是初始化的时候,我们只初始化状态 $S$,把 $A$ 的产生放到了while循环里面, 而回忆下SARSA会同时初始化状态 $S$ 和动作 $A$,再去执行循环。下面这段Q-Learning的代码对应我们算法的第二步步骤a和b:
|
|
接着我们会去执行动作 $A$,得到 $S’$, 由于奖励不是终止就是-1,不需要单独计算。,这部分和SARSA的代码相同。对应我们Q-Learning算法的第二步步骤c:
|
|
|
|
后面我们用贪婪法选择出最大的 $Q(S’,a)$,并更新价值函数,最后更新当前状态 $S$。对应我们Q-Learning算法的第二步步骤d,e。注意SARSA这里是使用ϵ−�−贪婪法,而不是贪婪法。同时SARSA会同时更新状态S�和动作A�,而Q-Learning只会更新当前状态S�。
|
|
跑完完整的代码,大家可以很容易得到这个问题的最优解,进而得到在每个格子里的最优贪婪策略。
5. SARSA vs Q-Learning
现在SARSA和Q-Learning算法我们都讲完了,那么作为时序差分控制算法的两种经典方法吗,他们都有说明特点,各自适用于什么样的场景呢?
Q-Learning直接学习的是 最优策略,而SARSA在学习最优策略的同时还在做探索。这导致我们在学习最优策略的时候,如果用SARSA,为了保证收敛,需要制定一个策略,使 $ϵ−$贪婪法的超参数 $ϵ$在迭代的过程中逐渐变小。Q-Learning没有这个烦恼。
另外一个就是Q-Learning直接学习最优策略,但是最优策略会依赖于训练中产生的一系列数据,所以受样本数据的影响较大,因此受到训练数据方差的影响很大,甚至会影响Q函数的收敛。Q-Learning的深度强化学习版Deep Q-Learning也有这个问题。
在学习过程中,SARSA在收敛的过程中鼓励探索,这样学习过程会比较平滑,不至于过于激进,导致出现像Q-Learning可能遇到一些特殊的最优“陷阱”。比如经典的强化学习问题"Cliff Walk"。
在实际应用中,如果我们是在模拟环境中训练强化学习模型,推荐使用Q-Learning,如果是 在线生产环境 中训练模型,则推荐使用 SARSA。
6. Q-Learning结语
对于Q-Learning和SARSA这样的时序差分算法,对于小型的强化学习问题是非常灵活有效的,但是在大数据时代,异常复杂的状态和可选动作,使Q-Learning和SARSA要维护的Q表异常的大,甚至远远超出内存,这限制了时序差分算法的应用场景。在深度学习兴起后,基于深度学习的强化学习开始占主导地位,因此从下一篇开始我们开始讨论深度强化学习的建模思路。