---

本系列文章介绍强化学习基础知识与经典算法原理，大部分内容来自西湖大学赵世钰老师的强化学习的数学原理课程（参考资料1），并参考了部分参考资料2、3的内容进行补充。

系列博文索引：

• 强化学习的数学原理学习笔记 - RL基础知识
• 强化学习的数学原理学习笔记 - 基于模型（Model-based）
• 强化学习的数学原理学习笔记 - 蒙特卡洛方法（Monte Carlo）
• 强化学习的数学原理学习笔记 - 时序差分学习（Temporal Difference）
• 强化学习的数学原理学习笔记 - 值函数近似（Value Function Approximation）
• 强化学习的数学原理学习笔记 - 策略梯度（Policy Gradient）
• 强化学习的数学原理学习笔记 - Actor-Critic

参考资料：

1. 【强化学习的数学原理】课程：从零开始到透彻理解（完结）（主要）
2. Sutton & Barto Book: Reinforcement Learning: An Introduction
3. 机器学习笔记

*注：【】内文字为个人想法，不一定准确

概览：RL方法分类

*图源：https://zhuanlan.zhihu.com/p/36494307

值函数近似（Value function approximation）

在先前的方法中，状态/动作值均以表格的（tabular）形式呈现。但是当状态/动作空间较大或者连续时，以上算法会面临存储开销和泛化能力的问题。因此，考虑通过特定函数的形式近似状态值。

Basic idea

*A simple example
假设状态值$v(s)$与状态$s$之间呈线性关系，设$\hat{v}(s,w)$是对$v(s)$的估计，则有下式：

其中，$w$为参数向量，$\varphi (s)$为状态$s$的特征向量。
这样做的好处在于大大降低了存储开销：不需要存储每个状态值，只需要存储$w$（即$a$和$b$两个参数）即可。但是弊端在于通过函数近似得到的结果并不一定准确。这种思想可以继续推广到高阶及非线性函数，以提升估计的准确性。

值函数近似的idea：使用参数化（parameterized）的函数近似状态和动作值，即$\hat{v}(s,w)\approx v_{\pi }(s)$，其中$w\in {\mathbb{R}}^m$是参数向量。

好处：(1) 便于存储：只需要存储参数，不需要存储状态，而参数的维度往往远小于状态的数量；(2) 泛化能力：当访问一个状态后，参数值发生改变，则整个函数估计发生改变，其余未被访问的状态的状态值同样会发生改变，因此不需要访问每个状态来完成学习过程。

目标函数（objective function）

值函数近似的目标是使得估计值尽可能接近真实状态值，其目标函数为：
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]$$
值函数近似的目标，即找到能够使得$J(w)$最小的$w$。本质上是做策略评估中的状态值估计。
其中，$S\in \mathcal{S}$为随机变量，其概率分布为平稳分布（stationary distribution），描述长期行为（long-run behavior），也被称为steady-state distribution或limiting distribution【*一个随机过程/马尔可夫过程中的概念】。直观理解：如果一个agent按照一个给定策略运行了足够久，其马尔可夫过程最终会达到一个平稳状态【即模型（状态转移概率）是稳定的】。

设 { d π ( s ) } s ∈ S \{ d_\pi (s) \}_{s\in \mathcal{S}} {dπ​(s)}s∈S​表示策略$\pi$下的马尔可夫过程的平稳分布，有$d_{\pi }(s)\ge 0$且${\sum }_{s\in \mathcal{S}}{d}_{\pi }(s)=1$。则值函数近似的目标函数可以写作：
$$J(w)=\mathbb{E}[(v_{\pi }(S)-\hat{v}(S,w){)}^2]=\sum _{s\in \mathcal{S}}{d}_{\pi }(s)(v_{\pi }(S)-\hat{v}(S,w){)}^2$$
其中，$d_{\pi }(s)$表示agent处于状态$s$的概率，同时也是该状态的（重要性）权重值，因此上式可以看作是对不同状态的估计误差的平方的加权平均。

优化算法（optimization algorithm）

采用随机梯度下降（SGD）算法优化（最小化）目标函数$J(w)$（推导过程略）：
$w_{t+1}=w_t-{\alpha }_t(v_{\pi }(s_t)-\hat{v}(s_t,w_t)){\nabla }_w\hat{v}(s_t,w_t)$

注意到其中$v_{\pi }(s_t)$是未知的，其可以用MC或TD近似：

• MC with 值函数近似：用$g_t$（从$s_t$出发的累计折扣回报）近似$v_{\pi }(s_t)$
  • $w_{t+1}=w_t-{\alpha }_t(g_t-\hat{v}(s_t,w_t)){\nabla }_w\hat{v}(s_t,w_t)$
• TD with 值函数近似：用$r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)$近似$v_{\pi }(s_t)$
  • $w_{t+1}=w_t-{\alpha }_t[r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)-\hat{v}(s_t,w_t)]{\nabla }_w\hat{v}(s_t,w_t)$
    • TD target：$r_{t+1}+\gamma \hat{v}(s_{t+1},w_t)$
  • *实际上这种方法并不是在优化原本的目标函数，而是在优化另一个相关的目标函数，称作projected Bellman error（详细内容略）

$\hat{v}(s,w)$的形式选择：早期用线性函数，目前通用神经网络（Neural Network，NN）来拟合未知非线性函数。线性函数的好处在于其理论性非常容易分析，弊端在于其特征向量（比如其阶数）难以选择。
*若$\hat{v}(s,w)$为线性函数，则其等价于tabular representation，因此可以将tabular representation看作linear function approximation的一种特殊情况。

Sarsa / Q-learning with function approximation

Sarsa with function approximation

其实就是把TD with function approximation中的状态值换为动作值：
$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma \hat{q}(s_{t+1},a_{t+1},w_t)-\hat{q}(s_t,a_t,w_t)]{\nabla }_w\hat{q}(s_t,a_t,w_t)$$

和Tabular Sarsa的区别：不是直接更新动作值$q(s,a)$，而是更新参数值$w$。

采用ε-Greedy方法进行策略提升：
$${\pi }_{k+1}(a|s_t)=\{\begin{array}{ll}1-\frac{\epsilon }{|\mathcal{A}(s)|}(|\mathcal{A}(s)|-1)& \text{if }a={\mathrm{argmax}}_{a\in \mathcal{A}(s_t)}\hat{q}(s_t,a,w_{t+1})\\ \frac{\epsilon }{|\mathcal{A}(s)|}& \text{otherwise}\end{array}$$
注意其中的$\hat{q}(s_t,a,w_{t+1})$需要通过函数计算得到。

Q-learning with function approximation

$$w_{t+1}=w_t+{\alpha }_t[r_{t+1}+\gamma \underset{a\in \mathcal{A}(s_{t+1})}{\max }\hat{q}(s_{t+1},a_t,w_t)-\hat{q}(s_t,a_t,w_t)]{\nabla }_w\hat{q}(s_t,a_t,w_t)$$

🟦DQN (Deep Q-learning)

尽管在Q-learning with function approximation中，可以使用神经网络作为$\hat{q}(s,a,w)$，但其需要复杂的底层运算（如求梯度），因此提出了DQN（Deep Q-learning / Deep Q Network）作为替代。

DQN的目标函数/损失（loss）函数：
$$J(w)=\mathbb{E}\left[\right(R+\gamma \underset{\alpha \in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w){)}^2]$$
其中，$(S,A,R,S^{\prime })$均为随机变量，$R+\gamma {\max }_{\alpha \in \mathcal{A}(S^{\prime })}\hat{q}(S^{\prime },a,w)-\hat{q}(S,A,w)$为Q-learning的TD error，也即Bellman optimlity error，当该值为0时取得最优。

关键技术1：两个网络

直接采用梯度下降优化损失函数并不容易，因为其中两项都包含$w$，求梯度较复杂。一个简单的思路是，将$y=R+\gamma {\max }_{\alpha \in \mathcal{A}(S^{\prime })}\hat{q}(S^{\prime },a,w)$视作常数，只需求解$\hat{q}(S,A,w)$的梯度即可。
因此，DQN引入了两个网络的设计：

• main network：对应$\hat{q}(S,A,w)$
• target network：对应$\hat{q}(S^{\prime },a,w_T)$

main network的参数$w$实时更新，但target network的参数$w_T$并非实时更新，而是隔一段时间把main network的$w$赋值过来，因此在这段时间内，$w_T$可以被视为常数。

DQN的basic idea：使用梯度下降（GD）优化损失函数，对应梯度为：
$${\nabla }_{w}J=\mathbb{E}\left[\right(R+\gamma \underset{\alpha \in \mathcal{A}(S^{\prime })}{\max }\hat{q}(S^{\prime },a,w_T)-\hat{q}(S,A,w)){\nabla }_w\hat{q}(S,A,w)]$$

训练过程（详见下）：在每次迭代中，DQN从回放缓存（replay buffer）中取mini-batch采样$\{(s,a,r,s^{\prime })\}$，以$s$和$a$作为输入计算得到$y_T=r+\gamma {\max }_{\alpha \in \mathcal{A}(s^{\prime })}\hat{q}(s^{\prime },a,w_T)$，并基于mini-batch$\{(s,a,y_T)\}$最小化损失函数$(y_T-\hat{q}(s,a,w){)}^2$以训练main network。之后，将main network的参数$w$赋值给target network的$w_T$。

关键技术2：经验回放（Experience replay）

DQN在收集经验采样后，将其存储在回放缓存（replay buffer）$\mathcal{B}=\{(s,a,r,s^{\prime })\}$中。当需要使用采样训练神经网络时，从回放缓存中按照均匀分布（uniform distribution）随机取mini-batch的采样 ，该过程称为经验回放。

• 均匀分布：对所有$(s,a)$对等概率访问（不等概率的话，需要先验知识才能确定哪些$(s,a)$对更重要）
  • 这里是把$(S,A)$对看作一个随机变量
• 回放缓存：经验采样的采集有先后顺序，直接按照其顺序使用可能不满足均匀分布的要求，因此将过往经验先存起来再均匀采样，去除采样间的相关性

*实际上经验回放也可以用于tabular Q-learning中，还能提高其采样效率（因为可以重复利用）。

DQN算法步骤（off-policy）

目标：从行为策略${\pi }_b$生成的经验采样中，学习一个最优的target network以近似最优动作值
在每次迭代中：

1. 从回放缓存$\mathcal{B}$中均匀取mini-batch采样
2. 对于每个采样$(s,a,r,s^{\prime })$，计算$y_T=r+\gamma {\max }_{\alpha \in \mathcal{A}(s^{\prime })}\hat{q}(s^{\prime },a,w_T)$，其中$w_T$为target network的参数
3. 使用mini-batch采样$\{(s,a,y_T)\}$更新main network，以最小化损失函数$(y_T-\hat{q}(s,a,w){)}^2$

每$C$次迭代后，将$w$赋值给$w_T$。
*注意：这里的表述与DQN原论文不同（原论文的NN更高效），但本质是一样的。