Preliminary of RL Ⅰ:Markov & Value function
马尔可夫决策过程MDP
马尔可夫模型的几类子模型
各种马尔可夫子模型的关系:
马尔可夫决策过程
一个马尔可夫决策过程由一个五元组构成 :
- S: 表示状态集(states),有 , 表示第i步的状态。
- A: 表示一组动作(actions),有 , 表示第i步的动作。
- : 表示状态转移概率。 表示的是在当前 状态下,经过 作用后,会转移到的其他状态的概率分布情况。比如,在状态 s 下执行动作,转移到 s' 的概率可以表示为 。
- : R是回报函数(reward function)。有些回报函数状态 S 的函数,可以简化为 。如果一组 转移到了下个状态 ,那么回报函数可记为 。如果 对应的下个状态 s' 是唯一的,那么回报函数也可以记为 。
- : discount rate,作为未来回报的折扣。
MDP 的动态过程如下:某个智能体(agent)的初始状态为 ,然后从 A 中挑选一个动作 执行,执行后,agent 按 概率随机转移到了下一个 状态, 。然后再执行一个动作 ,就转移到了 ,接下来再执行…,我们可以用下面的图表示状态转移的过程。
如果回报r是根据状态s和动作a得到的,则MDP还可以表示成下图:
值函数(value function)
强化学习学到的是一个从环境状态到动作的映射(即行为策略),记为策略 。而强化学习往往又具有延迟回报的特点: 如果在第 n 步输掉了棋,那么只有状态 和动作 获得了立即回报 ,前面的所有状态立即回报均为0。所以对于之前的任意状态s和动作a,立即回报函数 r(s,a) 无法说明策略的好坏。因而需要定义值函数(value function,又叫效用函数)来表明当前状态下策略π的长期影响。
状态值函数(state value function)
重点看第三个式子
其中:
a)是采用策略π的情况下未来有限h步的期望立即回报总和;
b)是采用策略π的情况下期望的平均回报;
c)是值函数最常见的形式,式中γ∈[0,1]称为折合因子,表明了未来的回报相对于当前回报的重要程度。特别的,γ=0时,相当于只考虑立即不考虑长期回报,γ=1时,将长期回报和立即回报看得同等重要。
给定策略π和初始状态s,则动作 ,下个时刻将以概率 转向下个状态 ,那么上式的期望可以拆开,可以重写为:
注意:在 中,π和初始状态s是我们给定的,而初始动作a是由策略π和状态s决定的,即a=π(s)。
动作值函数(action value function Q函数)
给定当前状态s和当前动作a,在未来遵循策略π,那么系统将以概率p(s'|s,a)转向下个状态s',上式可以重写为:
在 中,不仅策略 π 和初始状态 s 是我们给定的,当前的动作 a 也是我们给定的,这是 和 的主要区别。
在得到值函数后,即可列出MDP的最优策略:
即我们的目标是寻找的是在任意初始条件s下,能够最大化值函数的策略π*。
评论(0)
您还未登录,请登录后发表或查看评论