/
monte-carlo.md
60 lines (30 loc) · 6.24 KB
/
monte-carlo.md
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
## 1 前言 {#1-前言}
在上一篇文章中，我们介绍了基于Bellman方程而得到的Policy Iteration和Value Iteration两种基本的算法，但是这两种算法实际上很难直接应用，原因在于依然是偏于理想化的两个算法，需要知道状态转移概率，也需要遍历所有的状态。对于遍历状态这个事，我们当然可以不用做到完全遍历，而只需要尽可能的通过探索来遍及各种状态即可。而对于状态转移概率，也就是依赖于模型Model，这是比较困难的事情。
什么是状态转移？就比如一颗子弹，如果我知道它的运动速度，运动的当前位置，空气阻力等等，我就可以用牛顿运动定律来描述它的运动，进而知道子弹下一个时刻会大概在哪个位置出现。那么这个基于牛顿运动定律来描述其运动就是一个模型Model，我们也就可以知道其状态（空间位置，速度）的变化概率。
那么基本上所以的增强学习问题都需要有一定的模型的先验知识，至少根据先验知识我们可以来确定需要多少输入可以导致多少输出。比如说玩Atari这个游戏，如果输入只有屏幕的一半，那么我们知道不管算法多么好，也无法训练出来。因为输入被限制了，而且即使是人类也是做不到的。但是以此同时，人类是无需精确的知道具体的模型应该是怎样的，人类可以完全根据观察来推算出相应的结果。
所以，对于增强学习的问题，或者说对于任意的决策与控制问题。输入输出是由基本的模型或者说先验知识决定的，而具体的模型则可以不用考虑。所以，为了更好的求解增强学习问题，我们更关注Model Free的做法。简单的讲就是如果完全不知道状态转移概率（就像人类一样），我们该如何求得最优的策略呢？
本文介绍蒙特卡洛方法。
## 2 蒙特卡洛方法 {#2-蒙特卡洛方法}
蒙特卡洛方法只面向具有阶段episode的问题。比如玩一局游戏，下一盘棋，是有步骤，会结束的。而有些问题则不一定有结束，比如开赛车，可以无限的开下去，或者说需要特别特别久才能结束。能不能结束是一个关键。因为只要能结束，那么每一步的reward都是可以确定的，也就是可以因此来计算value。比如说下棋，最后赢了就是赢了，输了就是输了。而对于结束不了的问题，我们只能对于value进行估计。
那么蒙特卡洛方法只关心这种能够较快结束的问题。蒙特卡洛的思想很简单，就是反复测试求平均。如果大家知道在地上投球计算圆周率的事情就比较好理解了。不清楚的童鞋可以网上找找看。那么如何用在增强学习上呢？
既然每一次的episode都可以到结束，那么意味着根据：
每一步的reward都知道，也就意味着每一步的returnGt都可以计算出来。这就好了。我们反复做测试，这样很多状态会被遍历到，而且不止一次，那么每次就可以把在状态下的return求和取平均。
当episode无限大时，得到的数据也就接近于真实的数据。
蒙特卡洛方法就是使用统计学的方法来取代Bellman方法的计算方法。
上面的算法叫first-visit MC。也就是每一次的episode中state只使用第一次到达的t来计算return。
另一种方法就是every-visit，就是每一次的episode中state只要访问到就计算return求平均。
所以可以看到蒙特卡洛方法是极其简单的。但是缺点也是很明显的，需要尽可能多的反复测试，而且需要到每一次测试结束后才来计算，需要耗费大量时间。但是，大家知道吗？AlphaGo就是使用蒙特卡洛的思想。不是蒙特卡洛树搜索，而是说在增强学习中使用蒙特卡洛方法的思想。AlphaGo每次也是到下棋结束，而且只使用最后的输赢作为return。所以这也是非常神奇的事，只使用最后的输赢结果，竟然能够优化每一步的走法。
## 3 使用蒙特卡洛方法来控制 {#3-使用蒙特卡洛方法来控制}
上面说的蒙特卡洛方法只是能够对当前的policy进行评估。那么大家记得上一个blog说的policy iteration方法吗？我们可以在policy iteration中使用蒙特卡洛方法进行评估，然后使用greedy policy更新。
那么依然是有两种做法。一种就是在一个policy下测试多次，评估完全，然后更新policy，然后再做很多测试。另一种就是不完全评估，每次测试一次完就评估，评估完就更新：
第一种做法：
第二种做法：
两种做法都能够收敛，那么显然第二种做法的速度更快。
那么再改进一点，就是改变greedy policy中ϵ的值，使得不断变小趋于0，这个时候最后得到的policy就是完全的最优policy了。
这个算法就叫做GLIE Monte-Carlo Control：其他变种：
Monte Carlo with Exploring Starts,使用Q\(s,a\)然后使用上面说的第二种做法，一次episode就更新一次policy，而且policy直接使用Q值。
policy的更新使用了ϵ−greedy，目的就是能够更好的探索整个状态空间。
# 4 Off Policy Learning
那么上面的方法一直是基于当前的policy，为了探索状态空间，采用一个次优的策略ϵ−greedypolicy来探索。那么是不是可以更直接的使用两个policy。一个policy用来探索空间，也就是behavior policy，另一个policy就是为了达到最优policy，叫做target policy。那么这种方法就叫做off policy learning。On-policy的方法比较简单，off-policy 方法需要更多的概念和标记，比较不好理解，而且，由于behaviour policy和target policy不相关，这种方法比较不容易收敛。但是off-policy更强大，更通用，实际上的on-policy方法就是off-policy方法的一个子集。比如，就可以使用off-policy从人类专家或者传统的控制算法来学习一个增强学习模型。
关键是要找到两个policy之间的权重关系，从而更新Q值。