强化学习导论学习笔记——（六）

6. Temporal-Difference Learning

时序差分（Temporal-Difference）简介

• 时序差分是强化学习的核心观点。
• 时序差分是DP和MC方法的结合。
• MC要等一个完整的序列结束，比如玩21点扑克，直到玩完才能知道是胜是负；相反，时序差分每经历一步，都会更新价值函数，因为每一步都会观察到一个新的Reward，比如Grid World，每走一步都知道reward是什么。
• TD往往比MC高效；TD和MC都使用经验（experience）来解决预测问题。
• 所谓差分就是下一个时刻的估计和当前时刻的估计的差。

什么是stationary？

• stationary：环境不随时间变化而变化；
• non-stationary：环境会随时间变化而变化。

TD(0)

$$V(S_t)\leftarrow V(S_t)+\alpha[R_{t+1}+\gamma V(S_{t+1})-V(S_t)]$$

因为直接使用现有的估计取更新估计，因此这种方法被称为自举（bootstrap）。

TD error：$\delta_t = R_{t+1}+\gamma V(S_{t+1})-V(S_t)$

def temporal_difference(values, alpha=0.1, batch=False):
    state = 3
    trajectory = [state]
    rewards = [0]
    while True:
        ...
        # TD update
        if not batch:
            values[old_state] += alpha * (reward + values[state] - values[old_state])
        ...
        rewards.append(reward)
    return trajectory, rewards

Sarsa

一种on-policy的TD控制。

$$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha[R_{t+1}+\gamma Q(S_{t+1},A_{t+1})-Q(S_t,A_t)]$$

核心代码：

# Sarsa update
q_value[state[0], state[1], action] += \
    ALPHA * (REWARD + q_value[next_state[0], next_state[1], next_action] - q_value[state[0], state[1], action])
state = next_state
action = next_action

Q-learning

一种off-policy的TD控制。

早期强化学习的一个突破。

$$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha[R_{t+1}+\gamma \underset{a}{max}Q(S_{t+1},a)-Q(S_t,A_t)]$$

核心代码：

def q_learning(q_value, step_size=ALPHA):
    state = START
    rewards = 0.0
    while state != GOAL:
        action = choose_action(state, q_value)
        next_state, reward = step(state, action)
        rewards += reward
        # Q-Learning update
        q_value[state[0], state[1], action] += step_size * (
                reward + GAMMA * np.max(q_value[next_state[0], next_state[1], :]) -
                q_value[state[0], state[1], action])
        state = next_state
    return rewards

Expected Sarsa

• 一种off-policy的TD控制。
• $Q(S_t,A_t)\leftarrow Q(S_t,A_t) + \alpha[R_{t+1} + \gamma\sum_a\pi(a|S_{t+1})Q(S_{t+1}, a)-Q(S_t,A_t)]$

Double Learning

• 解决Q-learning的最大化偏差（maximization bias）问题
• 2011年提出。