最近在学伯禹人工智能的强化学习课程，做了一点记录，主要也是为了便于理解和回顾。
1.强化学习简介
1.1 基本概念
强化学习是通过从交互学习来实现目标的计算方法。其交互过程是，在每一步t中，智能体与环境进行交互：
智能体（agent）：获得观察O_t，获得奖励R_t，执行动作A_t；
环境：获得行动A_t，给出观察O_{t+1}，给出奖励R_{t+1}；
以上这种交互的一个完整的过程，我们可以称之为历史（History)，这是一串关于观察、奖励、行动的序列，是一串一直到时间t为的所有观测变量。
状态（State）：是一种用于确定接下来会发生的事情（动作A、奖励R、观测O)，状态是关于历史的函数。状态通常是整个环境的，所观察到的状态可以视为所有状态的一部分，仅仅是智能体agent可以观察到的那一部分。
策略（Policy）：是学习智能体在特定时间下的状态的行为方式。即从状态到行为的映射。策略可以分为两种：确定性策略（函数表示）和随机策略（条件概率表示）。
奖励（Reward）：一种度量，立即感知到什么是好的，一般情况下是一个标量。
价值函数（Value function）：长远来看（long-term），什么是好的。价值函数是对于未来累计奖励的预测，用于评估给定策略下，状态的好坏。
环境的模型（Model）：用于模拟环境的行为，预测下一个状态，预测下一个立即奖励（reward）。
策略与状态转移方程的区别：
（1）策略，是在状态s时，可能执行不同的动作a的各自的概率，是一个n*m的矩阵（n个状态，m个动作）；
（2）状态转移方程，是在状态s下，执行一个确定的动作a后，转移到各个状态s’的概率，是一个nnm的张量（n个状态，m个动作）
1.2 强化学习智能体agent的分类
强化学习大体可以分为两类：
（1）model-based RL（基于模型的强化学习）：模型可以被环境所知道，agent可以直接利用模型执行下一步的动作，而无需与实际环境进行交互学习。
例如：围棋、迷宫、象棋等这类规则明确，且可以枚举下一个状态的所有可能（比如象棋黑方走了一步后，可以列举此时红方可能要走的棋子和要走的方式）
（2）model_free RL（模型无关的强化学习）:真正意义上的强化学习，环境是黑箱，比如Atari游戏、王者荣耀游戏，其需要大量的采样。
强化学习的另外一种分类方式：
（1）基于价值：没有策略（隐含）、价值函数。通过估计价值，来推导出最优策略。
（2）基于策略：策略、没有价值函数。与基于价值的关系相反。
（3）Actor-Critic：策略、价值函数相辅相成
2 MDP——强化学习最基础的数学工具
2.1 MDP主要内容和性质
马尔科夫决策过程（Markov Decision Process，MDP）：它提供了一套为在结果部分随机、部分在决策者的控制下的决策过程建模的数学框架。
MDP形式化地描述了一种强化学习环境，它的特点是环境完全可观测，即马尔科夫性质（当前状态可以完全表征过程，即根据当前状态，即可推演接下来的状态）。
马尔科夫性质：
“The future is independent of the past given the present.”
当前状态是St，如果给了之前的所有状态，来推演当前的下一个状态St+1，那么只要用到当前状态St，就可以推演出下一个状态St+1了。
数学表达： P[St+1|St] = P[St+1|S1,…,St]
特点：
(0)状态从历史中捕获了所有相关信息，St = f(Ht)，即当前状态已经捕获了历史中的相关信息，并且映射为St；
(1)当状态已知的时候，可以抛开历史不管；
(2)当前状态是未来的充分统计量;
(3)MDP五元组;
2.2 MDP的表示
MDP可以由一个五元组表示(S,A,{Psa},γ,R)，其中:
（1）S是状态的集合；
（2）A是动作的集合；
（3）Psa是状态转移概率(对每个状态s∈S和动作a∈A,Psa是下一个状态在S中的概率分布)；
（4）γ∈[0,1]是对未来奖励的折扣因子，如果γ为1，则对未来的奖励和当前奖励是一样的重要程度；如果γ等于0，就不属于强化学习了，而是一种预测问题，即在什么状态下做什么动作，会对应什么奖励的这么一个二元预测问题。因此，正是由于这个γ，我们才能把预测问题和决策问题区分开；
注意：γ作为未来奖励的折扣因子，能使得和未来奖励相比起来，智能体更加重视即时奖励，以金融为例，今天的1美元，是比明天的1美元更有价值的，因为我们可以拿这一美元投资后，明天一定比一美元多。
（5）R:S×A–>R是奖励函数。
2.3 MDP的动态过程
（1）从状态s0开始；
（2）智能体选择某个动作a0∈A；
（3）智能体得到奖励R(s0,a0)；
（4）MDP随机转移到下一个状态s1~Ps0a0，即s0通过Ps0a0的状态概率分布，转移到下一个状态s1；
以上该过程不断进行，直到终止状态ST出现为止，或者无止尽地进行下去。
2.4 智能体计算MDP的总回报
2.3的过程执行到一定的状态后，我们需要计算当前状态下智能体的总回报，是一个关于智能体在每个状态得到奖励R(st,at)的函数，为了使这个总回报能够收敛，因此就需要折扣因子γ，这样总回报就是逐渐收敛到一个实数。所以智能体总回报可以用下面公式表示：
2.5 MDP奖励函数的简化
大部分情况下，奖励只和位置有关，如迷宫中奖励只和当前位置有关，与下一步要做什么动作往哪里走无关；围棋中奖励只基于最终围地大小有关。因此此时奖励函数可以简化为R(s):S–>R。
这样一来，MDP过程为：
其累积奖励（即总回报）为：
2.6 MDP的价值函数和Bellman等式，以及最优价值函数
MDP的目标是，选择能够最大化累计奖励期望的动作。注意，这里是期望值，这样能确保最后所得是一个确定的标量，是一个可以优化的东西。
策略表示为
即在状态s下采取动作a的概率分布，这样就是一个策略。
对应这样一个策略Π(s)，其价值函数，即累计奖励的期望，如下：
即给定起始状态，根据策略Π，采取动作时的累计奖励期望。
上述价值函数还可以变化成Bellman等式：
对于状态s来说，最优价值函数是所有策略中，可获得的最大可能的累计奖励。
因此，最优价值函数的Bellman等式为：
最优策略为
对状态s和策略Π，有如下不等式：
2.7 寻找最优策略的两种方法：价值迭代和策略迭代
价值函数和策略相关函数如下，可以看出价值和策略是息息相关的。
因此有两种求最优策略的迭代方法，分别是价值迭代和策略迭代。
2.7.1 价值迭代
价值迭代方法适用的环境：一个状态空间和动作空间有限的MDP。
价值迭代过程：
1.对每个状态s，初始化V(s) = 0;
2.重复以下过程直到收敛 {
对每个状态，更新其最优价值函数：
}
注意：在以上计算中没有明确的策略。
3.当最终这个价值函数收敛（即所有状态的价值函数收敛）时，根据策略的关系，计算出最优策略。
对于价值迭代，又分为同步价值迭代和异步价值迭代两种。
（1）同步价值迭代
同步的价值迭代会存储两份的价值函数的拷贝。
（2）异步价值迭代
异步价值迭代只存储一份价值函数
下面是一个价值迭代的一个例子：最短路径
这里即时奖励值R为-1。
2.7.2 策略迭代
适用情况：对于一个状态空间和动作空间有限的MDP。
策略迭代的过程：
1.随机初始化策略Π；
2.重复以下过程直到收敛 {
}
注意：在随机初始化策略Π后，会根据策略，计算出follow该策略的价值函数，（这是一个迭代计算的过程，具体例子见2.7.3），公式如下：
因此，价值迭代可以看成是迭代次数为1的策略迭代。
以上部分如有疑问，可以到这里
进行进一步学习
2.7.3 策略评估的一个例子
如图假设一个4*4矩阵，右下角和左下角是目标状态，其余格子分别代表一个状态，已知：
（1）非折扣MDP（γ = 1）
（2）非终止状态：1…14
（3）两个终止状态；
（4）如果有动作指向所有方格的外面，则这一步不动；
（5）奖励均为-1，直到终止状态；
（6）智能体的策略为均匀随机策略，即上下左右的动作概率各为0.25；
那么，策略评估的迭代过程如下：
计算实例：
- k=2, -1.75约等于1.7 ：0.25*(-1+0) + 0.25*(-1-1) + 0.25*(-1-1) + 0.25*(-1-1) = -1.75
- k=3, -2.9约等于-2.925 ： 0.25*(-1-2) + 0.25*(-1-2) + 0.25*(-1-2) + 0.25*(-1-1.7）= -2.925
注意：上面这些过程，仅仅只是策略迭代过程的a）步骤，当最终价值函数收敛后，才开始进行策略的更行（策略更新这一步，在上面并未显示出来，右边的仅仅是通过贪心算法找到的策略而已）。
2.8 基于模型的强化学习
之前的讨论建立在一个已知的MDP模型的基础上，但是在实际问题中，状态转移和奖励函数一般不是明确给出的。
实际的学习中，只看到了一些episodes，是learning from interaction。
从“经验”中学习一个MDP模型：即学习状态转移概率Psa(s’)和学习奖励函数R(s)
算法：
1、随机初始化策略π
2、重复以下过程直到收敛
在MDP中执行π进行一些测验
使用MDP中的累积经验更新对Psa和R的估计
利用对Psa和R的估计执行价值迭代，得到新的估计价值函数V
根据V更新策略π为贪心策略
另一种解决方式是不学习MDP，从经验中直接学习价值函数和策略 (模型无关的强化学习)
3. 蒙特卡洛方法
实际问题中往往不会给出状态转移和奖励函数，只能观察到部分交互片段。
model-free RL：直接从经验中学习价值函数和策略，不建立MDP；其优势是1）直接；2）不用建立MDP，不会把估计MDP的错误传递给DP；
关键步骤，是估计值函数，这里常用到蒙特卡洛方法。
蒙特卡洛的概念：依赖于重复随机采样来获取数值结果。
例子：
（1）计算圆的面积：画一个正方形，和一个内切的圆形，撒一把豆子，统计圆内豆子和正方形内豆子的比值，大数定理。
（2）AlphaGo围棋对弈中估计当前状态下的胜率。
3.1 蒙特卡洛策略评估
使用当前策略从状态s采样N个片段，每个片段大致如下：
对于每个片段的累计奖励（return），称为总折扣奖励：
那么对于N个片段来说，就要计算平均的累计奖励，才最有代表性，当采样的片段越多，计算出来的平均的累计奖励就月接近于值函数（value function），即期望累计奖励。
注意：蒙特卡洛策略评估使用的是经验均值累计奖励，而不是期望累计奖励。
3.2 蒙特卡洛策略评估的实现方法
（1）使用策略Π采样N个片段；
（2）在一个片段中的每个实践步长t的状态s都被访问（every-visit MC methods)：
还有另外一种计算每个片段的累计奖励的方法，称为first-visit MC methods，即在一个片段内，只记录s的第一次访问，并最终取平均。
3.3 增量蒙特卡洛更新
增量蒙特卡洛更新，不使用S(s)，每个片段结束后直接更新。对于每个状态St和对应的累计奖励Gt，有：
对非平稳问题（环境会随时间变化），跟踪现阶段平均值，不考虑过久之前的片段，因为刚开始的G_t可能会有比较大的方差：
具体实现往往是用这种非平稳问题的实现方法。
3.4 总结
（1）蒙特卡洛方法是直接用经验片段进行学习
（2）是模型无关的，未知MDP模型（状态转移概率分布和奖励函数）；
（3）需要从完整片段学习，所有片段必须有终止状态，最好也不要太长，没有使用bootstrapping；（4）采用最简单的思想: 值（value) = 平均累计奖励（mean return）
（5）若想进一步，用蒙特卡洛方法评估出来的价值函数，进行价值迭代或者策略迭代，从而来更新优化策略，我认为仍然是不可行的，原因如下：
如果我们默认折扣因子为1，那么可能可以通过采样的方法，对即时奖励做平均然后估值，那么可以进行迭代，从而更新策略；但是，如果折扣因子不为1，那么将无法对即时奖励做估值，那么将无法更新价值函数，也就无法更新策略了。因此要有接下来了状态-动作值函数。
另外，即时奖励函数R，是来自环境的，因此它也不一定是一个标量，可能是一个函数，这个严格说起来，是需要建立一个环境模型的。
4.模型无关的控制方法
首先，我们要先理解强化学习中预测（prediction）和控制（control）两个名称的概念：
1）预测问题指的是求解给定策略（policy）下的价值函数（value function）的过程；
2）而控制问题指的是如何获得一个尽量好的策略来最大化乐基奖励（accumulated return）。
总结：强化学习过程常常是在解决预测问题的基础上，进而解决控制问题。
4.1 模型无关的控制能够解决的问题
例如电梯、围棋对弈、机器人行走等问题，可以被建模成马尔可夫决策过程，但这里存在两个特点：
（1）MDP模型为未知的时候，我们需要进行交互，从经验中采样；
（2）MDP模型为已知时，常常因为规模太大，导致利用动态规划求解耗时，只能通过采样方式处理。
以上特点可以用模型无关的控制进行优化处理。
4.2两类模型无关的强化学习
（1）在线策略学习（On-policy）
- Learning on the job；
- 利用策略Π的经验采样，不断学习改进策略Π；
- 利用当前的策略，与环境进行交互，然后进行采样，采样完后马上进行学习；
- 利用当前的策略，进行经验采样，采样出的数据一定是与当前策略有关的，即可以认为，训练数据和测试数据分布一致。（例如，一个推荐系统，给一个喜欢搞笑视频的人推荐搞笑视频这个策略，其用户反馈的数据也是关于搞笑视频）
（2）离线策略学习（Off-policy）
- Look over someone‘s shoulder；
- 利用另一个策略μ的经验采样，不断学习改进策略Π（从别人的经验中去学习）；
- 这样就会导致训练数据的分布不一致的问题。
4.3 状态值和状态-动作值
这里解释一下，为什么要有状态值函数和状态动作值函数两个概念。虽然，在模型已知的时候，只用状态值函数就可以完全决定策略，一个状态值函数就可以表征强化学习的目标——最大化回报，但是在模型未知的时候，就必须估计每个动作的值，即状态动作值函数。状态动作值函数的估计方法，是在状态s下采用动作a，后续遵循策略Π获得的期望累计回报，即为状态动作值，实际运用中仍然用平均回报来估计。
累计奖励：
马尔可夫决策过程的状态值函数是指从状态s开始，执行策略Π的期望累计奖励：
马尔可夫决策过程的状态-动作值函数Q，是指从状态s开始，执行动作a后，执行策略Π的期望累计奖励：
之前，状态值函数（即之前的价值函数，或其贝尔曼等式），被分解为即时奖励加上后续状态的折扣值：
同理，状态动作值函数Q也能被类似的进行分解：
我们可以这样来理解，状态动作值函数，是确定了s状态下的动作a后，计算的累计奖励。那么，将s状态下，遍历所有可能执行的动作a后，求和的累计奖励，就是状态值函数V了，公式如下：
而状态动作值函数则等于，状态s下执行a动作后，环境的即时奖励R(s,a)，加上状态s下执行a动作后，转移到各个状态s’的状态转移矩阵乘以下个状态s’的所有动作下的状态动作值函数之和，即状态s‘的状态值函数，然后在乘上折扣因此γ即可，公式如下：
4.4 模型无关的策略迭代
这里又回到off-policy中，由于off-policy中，是利用另一个策略μ的经验采样，不断学习改进策略Π（从别人的经验中去学习）。因此用这种其他分布的数据，去不断学习和改进策略Π的情况，就需要用到状态动作值函数。
为什么不能用状态值函数（价值函数）V呢？这是因为价值迭代方法中，需要知道即时奖励函数R和状态转移概率Psa(s’)，而我们不知道，即马尔可夫模型未知。当然，我们也可以根据采集的片段，对R和P进行估值，然后基于状态值函数V（s）的贪心策略改进，但是那就属于基于模型的强化学习了，而我们现在说的是模型无关的强化学习。
这样一来，我们就需要基于状态-动作值函数Q的贪心策略改进，它是模型无关的。而这个Q(s,a)状态动作值函数的估计方法，是在状态s下采用动作a，后续遵循策略Π获得的期望累计回报，即为状态动作值，实际运用中仍然用平均回报来估计。
整体来看，如下图所示，我们可以称之为状态-动作值函数的广义策略迭代，在这个过程中：（1）策略评估部分，就是用蒙特卡洛策略评估，即在状态s下采用动作a，后续遵循策略Π获得的期望累计回报，即为状态动作值，实际运用中仍然用平均回报来估计；（2）策略改进部分，用的是贪心策略，即上一个公式。
4.4 让策略迭代时仍然保持持续探索的方法——ε-greedy方法
前面我们讲到，我们通过一些样本来估计Q和V，并且在未来执行估值最大的动作。这里就存在一个问题，假设在某个确定状态s0下，能执行a0, a1, a2这三个动作，如果智能体已经估计了两个Q函数值，如Q(s0,a0), Q(s0,a1)，且Q(s0,a0)>Q(s0,a1)，那么它在未来将只会执行一个确定的动作a0。这样我们就无法更新Q(s0,a1)的估值和获得Q(s0,a2)的估值了。这样的后果是，我们无法保证Q(s0,a0)就是s0下最大的Q函数。
再举个例子，对左右两个随机盒子进行选择，左边盒子中有20%的奖励是0，80%的奖励是5，所以期望奖励是4；右边盒子中有50%奖励是1，50%奖励是3，所以期望奖励是2。假设，第一次选择人左边的门，且观测到奖励为0，那么之后的选择就会一直是右边这个盒子，即使左边这个的盒子期望值最大。因此，如果没有不断的探索，策略将是次优的。
持续探索的思想很简单，就是用soft policies来替换确定性策略，使所有的动作都有可能被执行。比如其中的一种方法是ε-greedy policy，即在所有的状态下，用1-ε的概率来执行当前的最优动作a0，ε的概率来执行其他动作a1, a2。这样我们就可以获得所有动作的估计值，然后通过慢慢减少ε值，最终使算法收敛，并得到最优策略。公式表达如下，假设共有m种动作，那么就以1-ε+ε/m的概率选择贪心动作，以ε/m的概率随机选择一个动作。这里ε是一个参数，越大表示探索的能力越强。
下面是一个ε-greedy策略改进的证明，
红色这块不太好理解，我自己理解的也不是很透彻，所以暂且不解释，免得误导大家，有看懂的大佬，可以分享一下，感激不尽。
4.5 蒙特卡洛（MC）和时序差分（TD）（后面会讲）的比较
蒙特卡洛的优势：1）不需要建模value function；2）对机制的采样时unbiased；3）算法实现比较简单；
时序差分的优势：1）不需要整个片段的采样，而蒙特卡洛需要，且时序差分可以在无终止状态的片段下学习，蒙特卡洛不可以；2）一般效果比蒙特卡洛要好，应用更广泛；3）方差更低。
因此，总体上，在控制中，时序差分（TD）能代替蒙特卡洛：
1）使用时序差分来更新状态动作值Q；
2）使用ε-greedy进行策略改进；
3）每个事件步长更新状态-动作值函数；