人工智能之Q Learning算法
加入技術(shù)交流群
人工智能機(jī)器學(xué)習(xí)有關(guān)算法內(nèi)容，請參見公眾號“科技優(yōu)化生活”之前相關(guān)文章。人工智能之機(jī)器學(xué)習(xí)主要有三大類：1)分類;2)回歸;3)聚類。今天我們重點(diǎn)探討一下Q Learning算法。 ^_^
本文引用地址：http://www.ex-cimer.com/article/201806/381806.htm通過前一篇TD-Learning時序差分(請參見人工智能(48)算法介紹，我們知道，TD-Learning時序差分是結(jié)合了動態(tài)規(guī)劃DP和蒙特卡洛MC(請參見人工智能(31))方法，并兼具兩種算法的優(yōu)點(diǎn)，是強(qiáng)化學(xué)習(xí)的中心。
TD-learning時序差分大概分了6類。其中，策略行動價值qπ的off-policy時序差分學(xué)習(xí)方法： Q-Learning(單步)，Double Q-Learning(單步)。今天重點(diǎn)介紹Q-Learning算法。
Q Learning算法是由Watkins于1989年在其博士論文中提出，是強(qiáng)化學(xué)習(xí)發(fā)展的里程碑，也是目前應(yīng)用最為廣泛的強(qiáng)化學(xué)習(xí)算法。
Q Learning算法概念：
Q Learning算法是一種off-policy的強(qiáng)化學(xué)習(xí)算法，一種典型的與模型無關(guān)的算法，即其Q表的更新不同于選取動作時所遵循的策略，換句化說，Q表在更新的時候計算了下一個狀態(tài)的最大價值，但是取那個最大值的時候所對應(yīng)的行動不依賴于當(dāng)前策略。
Q Learning始終是選擇最優(yōu)價值的行動，在實際項目中，Q Learning充滿了冒險性，傾向于大膽嘗試。
Q Learning算法下，目標(biāo)是達(dá)到目標(biāo)狀態(tài)(Goal State)并獲取最高收益，一旦到達(dá)目標(biāo)狀態(tài)，最終收益保持不變。因此，目標(biāo)狀態(tài)又稱之為吸收態(tài)。
Q Learning算法下的agent，不知道整體的環(huán)境，知道當(dāng)前狀態(tài)下可以選擇哪些動作。通常，需要構(gòu)建一個即時獎勵矩陣R，用于表示從狀態(tài)s到下一個狀態(tài)s’的動作獎勵值。由即時獎勵矩陣R計算得出指導(dǎo)agent行動的Q矩陣。
Q矩陣是agent的大腦。
Q Learning算法本質(zhì)：
QLearning屬于TD-Learning時序差分學(xué)習(xí)。同樣，該算法結(jié)合了動態(tài)規(guī)劃和蒙特卡羅MC算法，模擬(或者經(jīng)歷)一個情節(jié)，每行動一步(或多步)后，根據(jù)新狀態(tài)的價值，來估計執(zhí)行前的狀態(tài)價值。
下面提到的Q-Learning是單步更新算法。
Q Learning算法描述：
Q-learning是一個突破性的算法。
利用下面公式進(jìn)行off-policy學(xué)習(xí)，即用公式來表示Q-Learning中Q表的更新：
Q(St，At)←Q(St，At)+α[Rt+1+γmax Q(St+1，a)?Q(St，At)]
其中：
St： 當(dāng)前狀態(tài)state
At： 從當(dāng)前狀態(tài)下，采取的行動action
St+1：本次行動所產(chǎn)生的新一輪state
At+1： 次回action
Rt： 本次行動的獎勵reward
γ為折扣因子，0<= γ<1，γ=0表示立即回報，γ趨于1表示將來回報，γ決定時間的遠(yuǎn)近對回報的影響程度，表示犧牲當(dāng)前收益，換取長遠(yuǎn)收益的程度。將累計回報作為評價策略優(yōu)劣的評估函數(shù)。當(dāng)前的回報值以及以前的回報值都可以得到，但是后續(xù)狀態(tài)的回報很難得到，因此累計回報就難以計算。而Q-learning用Q函數(shù)來代替累計回報作為評估函數(shù)，正好解決這個問題。
α為控制收斂的學(xué)習(xí)率，0< α<1。通過不斷的嘗試搜索空間，Q值會逐步趨近最佳值Q*。
1)Q-learning單步時序差分學(xué)習(xí)方法算法描述
Initialize Q(s，a)，?s∈S，a∈A(s) arbitrarily， and Q(terminal， ˙)=0
Repeat (for each episode)：
? Initialize S
? Choose A from S using policy derived from Q (e.g. ??greedy)
? Repeat (for each step of episode)：
?? Take action A， observe R，S′
?? Q(S，A)←Q(S，A)+α[R+γmaxa Q(S‘，a)?Q(S，A)]
?? S←S′;
? Until S is terminal
每個episode是一個training session，且每一輪訓(xùn)練意義就是加強(qiáng)大腦，表現(xiàn)形式是agent的Q矩陣元素更新。當(dāng)Q習(xí)得后，可以用Q矩陣來指引agent的行動。
Q-learning使用了max，會引起一個最大化偏差(Maximization Bias)問題。
可以使用Double Q-learning可以消除這個問題。
2)Double Q-learning單步時序差分學(xué)習(xí)方法算法描述
Initialize Q1(s，a) and Q2(s，a)，?s∈S，a∈A(s) arbitrarily
Initialize Q1(terminal， ˙)=Q2(terminal， ˙)=0
Repeat (for each episode)：
? Initialize S
? Repeat (for each step of episode)：
?? Choose A from S using policy derived from Q1 and Q2 (e.g. ??greedy)
?? Take action A， observe R，S′
?? With 0.5 probability：
??? Q1(S，A)←Q1(S，A)+α[R+γQ2(S′，argmax Q1(S′，a))?Q1(S，A)]
?? Else：
??? Q2(S，A)←Q2(S，A)+α[R+γQ1(S′，argmax Q2(S′，a))?Q2(S，A)]
?? S←S′;
? Until S is terminal
Double Q Learning算法本質(zhì)上是將計算Q函數(shù)進(jìn)行延遲，并不是得到一條樣本就可以更新價值函數(shù)，而是一定的概率才可以更新。由原來的1條樣本做到影響決策變?yōu)槎鄺l(至少兩條)樣本影響決策。
Q Learning理論基礎(chǔ)：
QLearning理論基礎(chǔ)如下：
1)蒙特卡羅方法
2)動態(tài)規(guī)劃
3)信號系統(tǒng)
4)隨機(jī)逼近
5)優(yōu)化控制
Q Learning算法優(yōu)點(diǎn)：
1)所需的參數(shù)少;
2)不需要環(huán)境的模型;
3)不局限于episode task;
4)可以采用離線的實現(xiàn)方式;
5)可以保證收斂到 qπ。
Q Learning算法缺點(diǎn)：
1) Q-learning使用了max，會引起一個最大化偏差問題;
2) 可能會出現(xiàn)更新速度慢;
3) 可能會出現(xiàn)預(yù)見能力不強(qiáng)。
注：使用Double Q-learning可以消除問題1);使用多步Q -learning可以消除問題2)和3)。
Q Learning算法應(yīng)用：
從應(yīng)用角度看，Q Learning應(yīng)用領(lǐng)域與應(yīng)用前景都是非常廣闊的，目前主要應(yīng)用于動態(tài)系統(tǒng)、機(jī)器人控制、工廠中學(xué)習(xí)最優(yōu)操作工序以及學(xué)習(xí)棋類對弈等領(lǐng)域。
結(jié)語：
Q Learning是一種典型的與模型無關(guān)的算法，它是由Watkins于1989年在其博士論文中提出，是強(qiáng)化學(xué)習(xí)發(fā)展的里程碑，也是目前應(yīng)用最為廣泛的強(qiáng)化學(xué)習(xí)算法。Q Learning始終是選擇最優(yōu)價值的行動，在實際項目中，Q Learning充滿了冒險性，傾向于大膽嘗試，屬于TD-Learning時序差分學(xué)習(xí)。Q Learning算法已經(jīng)被廣泛應(yīng)用于動態(tài)系統(tǒng)、機(jī)器人控制、工廠中學(xué)習(xí)最優(yōu)操作工序以及學(xué)習(xí)棋類對弈等領(lǐng)域。
評論