强化学习中的基本术语

news2024/10/7 20:27:24

0.引言

本篇文章主要介绍强化学习中最基本的术语（不包含具体算法），主要提供给刚入门强化学习的朋友们，让大家快速掌握一些基本术语，之后对看强化学习算法内容有着更好地理解。

1.基本术语

1.1.state

中文称为“状态”，举个具体的例子来说：在一个机器人走网格的游戏当中，每一个不同的格子就是不同的状态（如下图1例子中有9个格子所以有9个不同的状态），通常用一串向量来表示：是s1，s2，s3等等，所有状态的集合通常用state space（状态空间）来表示（如9个状态： $S={s}_{i=1}^{9}$ ）。

1.2.action

中文称为“行动”，举个具体的例子来说，在上面那个机器人走网格的例子当中，在每一个格子（状态）内，机器人可以选择五种不同的行动（向前、向后、向左、向右、原地不动）来移动到下一个格子中（状态）。所有的行动的集合可以使用action space来描述： $A(s_{i})=\left \{ a_{i} \right \}_{5}^{i=1}$ （为什么行动的集合用A(s)？是因为只有基于状态才有行动,所以行动的集合可以看做是基于状态的这么一种函数）

1.3.State transition

中文称为“状态转移”，这是一个由这一状态转移到下一个状态的过程就称为状态转移，下图2举一个具体的例子，该图描述了由state1通过action2到state2的过程，状态转移实际上定义了一个agent与环境之间的一种交互行为。用数学的方法来表示这个过程如下图3表示，使用条件概率表示，也就是说在状态为s1在a1行动的条件下，到达状态s2的概率为1（图中是一种确定性的状态转移。状态转移也有可能为随机态可以用概率描述，比如s1在a1行动下，有50%的概率到状态s2，有50%到s3）。

1.4.Policy

中文名称为“策略”，是一个强化学习中独有的概念，它规定了对于一个状态（state）来说该应该选择哪一个行动（action），如下图4例子所示，图中绿色箭头部分就是Policy，比如右上角第一格为状态是s1，Policy要求它的行动为向右（action2）。在数学描述中使用π来描述Policy，如下图5所示，图中为状态s1的一种确定性的Policy（与状态转移相同的是，Policy也有可能是随机性的）。

1.5.Reward

中文称为“回报”，顾名思义它是指在经过一个行动（action）之后能获得的一个具体数值，通常用r表示。如果reward是一个positive的值的话，说明鼓励做出这种行动（action）；反之，如果reward是一个negative的值的话，说明做出这种行动（action）会被惩罚。也就是说我么你可以通过设计不同的reward来影响做出agent做出的行为（action），举一个具体的例子（引用一下图1作为图6）：我们可以设置当下一个行动（action）是撞到边界（如s1做出向左的行动）的话，reward设置为-1；如果下一个行动（action）进入的是黄色方块区域（如s5做出向右的行动），reward设置为-1；如果下一个行动（action）到蓝色区域reward设置为1；其余行动reward设置为0。也就是说我们鼓励到蓝色区域(目标区域)，对进入黄色区域和撞墙行动会惩罚，可以起到一个引导的作用。

用数学描述来描述reward，如下图7所示，同样的reward也可以属于随机性的。

另外需要强调reward是依赖于当前的状态和行为的，不依赖于下一个状态。

1.6.Trajectory and Return

Trajectory这个名词其实就是一个state-action-reward chain的过程，如下图8所示。直观一点儿，用图10来表示这个过程（图9中的红色线部分）。

return这个概念在强化学习中也是十分重要的。return就是把Trajectory路径中的所有获得的reward给加起来得到的数值，图10中从s1-s9的return=0+0+0+1=1，从物理意义上来说如果该路径的return的数值越大，那就说明这条路径是更优的选择，从而评估策略的好坏。

1.7.Discounted return

当图10中的Trajectory的状态到s9时，它的行动（action）就是原地不动，且这个action的reward是1的话，那么这个Trajectory可能无限长的，如下图11所示。

那么它的return也应该是无限大的，就会发散掉，这时我门引入一个变量叫“discount rate”（折扣因子），数学描述使用 $\gamma$ 表示，且 $\gamma \subseteq [0,1)$ ,从而引入“discounted return”，数学公式表达为： $DR=\sum \gamma ^{n}*return$

就如上图10的discounted return表示，这样的话就会收敛了：

另外， $\gamma$ 的选择也会影响return中reward的积累，当 $\gamma$ 取值比较小时，可能会更加重视一些离目标状态比较近一些的reward的积累，也就是更加“近视”；当 $\gamma$ 取值比较大时，更加注重的是长远的reward，也就是说比较“”远视“”。

1.8.state value

state value的数学表达式如下图12：

其中用 $v_{\pi }(s)$ 来指代state value，是因为它是一个有关于state的这么一个函数，并且它依赖于Policy，对于不同的Policy有不同的state value，物理意义就是它是一个表示state价值的这么一个值，如果state value越大，Policy也就越好（因为更多的rewards可以获得）；E[ ]表示求期望， $^{G_{T}}$ 表示discounted return，也就是说当状态为s时，所获得discounted return的期望值就是state value

那么，return和state value有什么区别呢？

return是针对一条Trajectory的所有reward之和，而state value则是指从状态s出发的所有可能的Trajectory的return的期望值(也就是均值)。

1.9.action value

action value的数学表达式如下图13：

其中 $q_\pi (s,a)$ 来代指action value，因为它是一个关于state-action pair的这么一个函数，并且依赖于Policy，物理意义相当于是state做出不同action之后的价值，也就是说action value越大，那么这个状态做出这种action也就越好。

action value和state value又有什么区别呢？

其实区别对比数学表达式就可以很好的看出来了，本质上都是期望，action value是基于state中一个action之后的期望，而state value是基于state这么一种期望，可以简单的理解为state value是把将每一个action的action value平均之后的值，也就是说state将所有的action value进行求平均结果就是state value。