人工智能–Q Learning算法

人工智能之Q Learning算法

前言：人工智能机器学习有关算法内容，请参见公众号“科技优化生活”之前相关文章。人工智能之机器学习主要有三大类:1)分类;2)回归;3)聚类。今天我们重点探讨一下Q Learning算法。^_^

TD-learning时序差分大概分了6类。其中，策略行动价值qπ的off-policy时序差分学习方法: Q-Learning(单步)，Double Q-Learning(单步)。今天重点介绍Q-Learning算法。

Q Learning算法是由Watkins于1989年在其博士论文中提出，是强化学习发展的里程碑，也是目前应用最为广泛的强化学习算法。

Q Learning算法概念：

Q Learning算法是一种off-policy的强化学习算法，一种典型的与模型无关的算法，即其Q表的更新不同于选取动作时所遵循的策略，换句化说，Q表在更新的时候计算了下一个状态的最大价值，但是取那个最大值的时候所对应的行动不依赖于当前策略。

Q Learning始终是选择最优价值的行动，在实际项目中，Q Learning充满了冒险性，倾向于大胆尝试。

Q Learning算法下，目标是达到目标状态(Goal State)并获取最高收益，一旦到达目标状态，最终收益保持不变。因此，目标状态又称之为吸收态。

Q Learning算法下的agent，不知道整体的环境，知道当前状态下可以选择哪些动作。通常，需要构建一个即时奖励矩阵R，用于表示从状态s到下一个状态s’的动作奖励值。由即时奖励矩阵R计算得出指导agent行动的Q矩阵。

Q矩阵是agent的大脑。

Q Learning算法本质：

QLearning属于TD-Learning时序差分学习。同样，该算法结合了动态规划和蒙特卡罗MC算法，模拟（或者经历）一个情节，每行动一步(或多步）后，根据新状态的价值，来估计执行前的状态价值。

下面提到的Q-Learning是单步更新算法。

Q Learning算法描述：

Q-learning是一个突破性的算法。

利用下面公式进行off-policy学习，即用公式来表示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: 当前状态state

At: 从当前状态下，采取的行动action

St+1:本次行动所产生的新一轮state

At+1: 次回action

Rt: 本次行动的奖励reward

γ为折扣因子，0

α为控制收敛的学习率，0最佳值Q*。

1）Q-learning单步时序差分学习方法算法描述

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. ϵ−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

每个episode是一个training session，且每一轮训练意义就是加强大脑，表现形式是agent的Q矩阵元素更新。当Q习得后，可以用Q矩阵来指引agent的行动。

Q-learning使用了max，会引起一个最大化偏差(Maximization Bias)问题。

可以使用Double Q-learning可以消除这个问题。

2）Double Q-learning单步时序差分学习方法算法描述

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. ϵ−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算法本质上是将计算Q函数进行延迟，并不是得到一条样本就可以更新价值函数，而是一定的概率才可以更新。由原来的1条样本做到影响决策变为多条(至少两条)样本影响决策。

Q Learning理论基础：

QLearning理论基础如下：

1）蒙特卡罗方法

2）动态规划

3）信号系统

4）随机逼近

5）优化控制

Q Learning算法优点：

1）所需的参数少；

2）不需要环境的模型；

3）不局限于episode task；

4）可以采用离线的实现方式；

5）可以保证收敛到qπ。

Q Learning算法缺点：

1)Q-learning使用了max，会引起一个最大化偏差问题；

2)可能会出现更新速度慢；

3)可能会出现预见能力不强。

注：使用Double Q-learning可以消除问题1）；使用多步Q -learning可以消除问题2）和3）。

Q Learning算法应用：

从应用角度看，Q Learning应用领域与应用前景都是非常广阔的，目前主要应用于动态系统、机器人控制、工厂中学习最优操作工序以及学习棋类对弈等领域。

结语:

Q Learning是一种典型的与模型无关的算法，它是由Watkins于1989年在其博士论文中提出，是强化学习发展的里程碑，也是目前应用最为广泛的强化学习算法。Q Learning始终是选择最优价值的行动，在实际项目中，Q Learning充满了冒险性，倾向于大胆尝试，属于TD-Learning时序差分学习。Q Learning算法已经被广泛应用于动态系统、机器人控制、工厂中学习最优操作工序以及学习棋类对弈等领域。

------以往文章推荐------