当前位置：首页 > article >正文

Unit 1 深度强化学习简介

article 2025/6/12 17:47:08

Deep RL Course ——Unit 1 Introduction

从理论和实践层面深入学习深度强化学习。
学会使用知名的深度强化学习库，例如 Stable Baselines3、RL Baselines3 Zoo、Sample Factory 和 CleanRL。
在独特的环境中训练智能体，比如 SnowballFight、Huggy the Doggo、VizDoom等，还有经典环境，如 Space Invaders、PyBullet 等。

强化学习框架

RL过程

奖励假设（The reward hypothesis)

为什么智能体的目标是最大化预期回报？因为强化学习基于奖励假设，即所有目标都可以描述为最大化预期回报（预期累积奖励）。这就是为什么在强化学习中，为了获得最佳行为表现，我们的目标是学习采取能够最大化预期累积奖励的动作。

马尔可夫性质（Markov Property）

强化学习过程被称作马尔可夫决策过程（Markov Decision Process，简称 MDP）。马尔可夫性质，也称为无记忆性或无后效性，是概率论和随机过程理论中的一个重要概念。它描述了一个随机过程在给定现在状态及所有过去状态的情况下，其未来状态的条件概率分布仅依赖于当前状态，而与过去状态无关。换句话说，系统的下一个状态只取决于当前状态，而与之前的状态序列无关。

观测空间/状态空间（Observations/States Space）

观测（Observations）和状态（States）是智能体从环境中获取的信息。在视频游戏的情境下，观测可能是一帧画面（即屏幕截图）。而在交易智能体的情境下，观测可能是某只股票的价格等。

然而，我们需要对观测和状态进行区分：

状态（State, s）：状态是对世界当前状况的完整描述，不存在任何隐藏信息。
观测（Observation）：观测是智能体从环境中获取的部分信息，它可能并不包含关于世界当前状况的完整描述。

动作空间（Action Space）

动作空间是指在一个环境中，智能体可以采取的所有可能动作的集合。动作空间的设计对于强化学习算法的性能和效率至关重要，因为它直接决定了智能体在决策时需要考虑的选项数量。动作空间可以分为离散空间和连续空间两种类型：

离散动作空间（Discrete Action Space）在离散动作空间中，智能体可以采取的动作数量是有限的。每个动作都可以被明确地定义和区分。
连续动作空间（Continuous Action Space）在连续动作空间中，智能体可以采取的动作数量是无限的，或者至少是在一个连续的范围内变化。动作通常由实数或向量表示，可以取任意值（在允许的范围内）。

奖励与折扣（Rewards and the discounting）

奖励在强化学习（RL）中至关重要，因为它是智能体获得的唯一反馈。借助奖励，智能体能够判断所采取的行动是好是坏。每个时间步 t 的累积奖励可以表示为：

$R(\tau) = r_{t+1} + r_{t+2} + r_{t+3} + ...$

在强化学习中，对奖励进行折扣（discounting）是一个核心概念，主要基于以下几个关键原因：

避免短视：没有折扣，智能体可能过于追求即时高奖励，而忽视长远利益。折扣机制鼓励智能体考虑长远规划，避免陷入局部最优解。
数学和计算上的便利性：折扣使得累积奖励的期望值有界，从而保证了强化学习算法（如值迭代、策略迭代）的收敛性。这对于算法的稳定性和可靠性至关重要。
模型不确定性和风险规避：
- 不确定性处理：在现实世界中，环境往往是不确定的，未来状态和奖励难以准确预测。折扣机制可以看作是对未来不确定性的一种处理方式，通过降低未来奖励的权重，减少了对未来不确定性的过度依赖。
- 风险规避：折扣还体现了对风险的规避。由于未来奖励的不确定性增加，智能体可能更倾向于选择当前确定的高奖励，而非冒险追求未来可能的高奖励。

定义折扣率（Gamma）

$R(\tau) = \sum_{k=0}^{\infty} \gamma^k r_{t+k+1}$

gamma参数，取值范围必须在 0 到 1 之间。在大多数情况下，gamma 的取值介于 0.95 和 0.99 之间。

Gamma 值越大，折扣越小。这意味着智能体更加关注长期奖励。
相反，Gamma 值越小，折扣越大。这表明智能体更倾向于关注短期奖励。

强化学习任务类型

在强化学习中，任务是强化学习问题的一个具体实例。根据任务的结构和特性，我们可以将强化学习任务分为两大类：

片段式任务（Episodic Task）

定义：在片段式任务中，存在一个明确的起始点和终止点（也称为终端状态）。一个完整的任务执行过程被称为一个“片段”（episode），它由一系列状态（States）、动作（Actions）、奖励（Rewards）以及新的状态组成。
示例：
- 以经典游戏《超级马里奥兄弟》为例，一个片段开始于马里奥进入一个新的关卡，结束于马里奥被击败或到达关卡的终点。在这个片段中，马里奥需要不断采取动作来避开障碍物、收集金币，并最终到达终点。

连续性任务（Continuing Task）

定义：与片段式任务不同，连续性任务没有明确的终止点。智能体在一个持续的环境中不断采取动作，并接收奖励。
示例：
- 考虑一个机器人控制任务，机器人需要在工厂中持续执行任务，如搬运物品、装配零件等。这个任务没有明确的终止点，机器人需要不断学习并优化其控制策略，以提高任务执行的效率和准确性。

探索与利用的权衡

最后，在探讨解决强化学习问题的不同方法之前，我们必须再讨论一个非常重要的主题：探索与利用的权衡。探索（Exploration）是指通过尝试随机动作来探索环境，以获取更多关于环境的信息。利用（Exploitation）则是指利用已知的信息来最大化奖励。

解决探索/利用的权衡问题

在强化学习中，探索（Exploration）与利用（Exploitation）的权衡是一个核心挑战。智能体需要在尝试新动作以获取更多信息（探索）和利用已知信息以最大化当前奖励（利用）之间找到平衡。以下是一些解决这一权衡问题的主要方法：

ε-贪心策略（ε-Greedy）以概率 ϵ 随机选择一个动作（探索），以概率 1−ϵ 选择当前估计的最优动作（利用）。
软最大策略（Softmax/Boltzmann Exploration）根据动作的估计价值，通过 softmax 函数计算每个动作的选择概率。价值越高的动作被选择的概率越大，但所有动作都有非零概率被选择。
上置信界算法（UCB）在选择动作时，不仅考虑动作的估计价值，还考虑动作的不确定性（即探索的必要性）。通常选择价值高且不确定性大的动作。
贝叶斯方法使用贝叶斯框架来建模动作价值的分布，通过后验分布来量化不确定性。智能体根据后验分布选择动作，通常选择期望价值高且不确定性大的动作。
汤普森采样（Thompson Sampling）根据动作价值的后验分布，随机采样一个价值，然后选择采样价值最高的动作。
深度强化学习中的探索方法
- 噪声网络（Noisy Networks）：
  在神经网络的权重中添加噪声，使得智能体的策略具有一定的随机性，从而实现探索。
- 计数法（Count-Based Exploration）：
  对状态或状态-动作对的访问次数进行计数，根据访问次数调整探索的强度。通常用于离散状态空间。
- 内在奖励（Intrinsic Motivation）：
  除了环境提供的外部奖励外，智能体还获得一个内在奖励，鼓励其探索新奇或不确定的状态。
- 好奇心驱动（Curiosity-Driven Exploration）：
  智能体通过预测模型来评估状态的“新奇性”，并根据新奇性获得奖励，从而鼓励探索。

解决强化学习（RL）问题的两种主要方法

换句话说，我们如何构建一个强化学习智能体，使其能够选择能够最大化其预期累积奖励的动作？

策略 π

策略 π 是智能体的“大脑”，它是一个函数，能够根据智能体当前所处的状态告诉我们应该采取什么动作。因此，策略 π 定义了智能体在给定状态下的行为。这一策略（Policy）正是我们希望学习的函数，我们的目标是找到最优策略 π，即当智能体依据该策略行动时，能够最大化其预期回报的策略。我们通过训练来找到这个最优策略 π。找到这个最优策略 π ，存在两种方法：

直接方法，即教导智能体学习在当前状态下应采取何种动作：这被称为基于策略的方法（Policy-Based Methods）。
间接方法，即教导智能体学习哪个状态更具价值，然后采取能够导向更具价值状态的动作：这被称为基于价值的方法（Value-Based Methods）。

基于策略的方法（Policy-Based Methods）

这个策略函数的作用是定义从每个状态到最佳对应动作的映射关系。具体而言，它可以为每个状态指定一个具体的最佳动作；或者，它也可以为某个状态下所有可能的动作定义一个概率分布，表示智能体选择每个动作的可能性。

Deterministic : $\pi(s)$
Stochastic : $\pi(a|s) = P[A,s]$

基于价值的方法（Value-based methods）

在基于价值的方法中，我们并不直接学习策略函数，而是学习一个价值函数（value function），该函数将状态映射到处于该状态时的预期价值。一个状态的价值是指，如果智能体从该状态出发，并按照我们的策略行动，它所能获得的预期折扣回报（expected discounted return）。“按照我们的策略行动”仅仅意味着我们的策略是“前往价值最高的状态”。

$v_{\pi}(s) = \text{E}_{\pi}[R_{t+1} + \gamma R_{t+2} + \gamma^2 R_{t+3} + ...|S_t = s]$

强化学习中的“深度”

但“深度”（Deep）这一概念是如何融入强化学习其中的呢？深度强化学习（Deep Reinforcement Learning）引入了深度神经网络来解决强化学习问题——这也是“深度”一词的由来。例如，两种基于价值（value-based）的算法：Q-Learning（经典的强化学习算法）和深度Q-Learning（Deep Q-Learning）。两者的区别在于：在第一种方法（Q-Learning）中，我们使用传统算法来创建一个Q表，该表帮助我们确定在每个状态下应采取何种动作。而在第二种方法（深度Q-Learning）中，我们将使用神经网络来近似Q值。

补充阅读材料

Deep Reinforcement Learning

Reinforcement Learning: An Introduction, Richard Sutton and Andrew G. Barto Chapter 1, 2 and 3
Foundations of Deep RL Series, L1 MDPs, Exact Solution Methods, Max-ent RL by Pieter Abbeel
Spinning Up RL by OpenAI Part 1: Key concepts of RL

Gym

Getting Started With OpenAI Gym: The Basic Building Blocks
Make your own Gym custom environment