强化学习的基础知识和概念简介（无模型、在线学习、离线强化学习等）
机器学习(ML)分为三个分支:监督学习、无监督学习和强化学习。
-
监督学习(SL)：关注在给定标记训练数据的情况下获得正确的输出
-
无监督学习(UL)：关注在没有预先存在的标签的情况下发现数据中的模式
-
强化学习(RL)：关注智能体在环境中如何采取行动以最大化累积奖励
通俗地说，强化学习类似于婴儿学习和发现世界，如果有奖励(正强化)，婴儿可能会执行一个行动，如果有惩罚(负强化)，婴儿就不太可能执行这个行动。这也是来自监督学习和非监督学习的强化学习之间的主要区别，后者从静态数据集学习，而前者从探索中学习。
本文将涉及强化学习的术语和基本组成部分，以及不同类型的强化学习(无模型、基于模型、在线学习和离线学习)。本文最后用算法来说明不同类型的强化学习。
本文的公式基于Stuart J. Russell和Peter Norvig的教科书《Artificial Intelligence: A Modern Approach》(第四版)，为了保持数学方程格式的一致性所以略有改动。
强化学习
在深入研究不同类型的强化学习和算法之前，我们应该熟悉强化学习的组成部分。
-
Agent:从环境中接收感知并执行操作的程序，被翻译成为智能体，但是我个人感觉代理更加恰当，因为它就是作为我们人在强化学习环境下的操作者，所以称为代理或者代理人更恰当
-
-
-
Action (A):代理在给定状态下可以采取的动作
-
Reward (R):采取行动的奖励(依赖于行动)，处于状态的奖励(依赖于状态)，或在给定状态下采取行动的奖励(依赖于行动和状态)
在一个婴儿探索世界的例子中，婴儿(代理)在现实世界(环境)中，能够感到高兴或饥饿(状态)。因此，宝宝可以选择哭泣，吃或睡(动作)，如果宝宝饿的时候吃了东西(奖励)，宝宝就满足了（正奖励）。
强化学习涉及探索，强化学习的输出是一个最优策略。策略描述了在每个状态下要采取的行动;类似于说明书。比如，政策可以是宝宝饿了就吃，否则，宝宝就该睡觉。这也与监督学习形成了对比，监督学习的输出只是一个单一的决策或预测，比策略更简单。
强化学习的目标是通过优化所采取的行动来最大化总累积奖励。和婴儿一样，我们不都想从生活中获得最大的累积利益吗?
马尔可夫决策过程(MDP)
由于强化学习涉及一系列最优行为，因此它被认为是一个连续的决策问题，可以使用马尔可夫决策过程建模。
这里的状态(用S表示)被建模为圆圈，动作(用A表示)允许代理在状态之间转换。在上图2中，还有一个转换概率(用T表示)，T(S11, A1, S12)是在状态S11采取A1动作后转换到状态S12的概率。我们可以认为动作A1是向右的动作A2是向下的。为了简单起见，我们假设转移概率为1，这样采取行动A1将确保向右移动，而采取行动A2将确保向下移动。
参照图2，设目标为从状态S11开始，结束于状态S23，黄色状态为好(奖励+1)，红色状态为坏(奖励-1)，紫色为目标状态(奖励+100)。我们希望智能体了解到最佳的行动或路线是通过采取行动A2-A1-A1来走向下-右-右，并获得+1+1+1+100的总奖励。再进一步，利用金钱的时间价值，我们在奖励上应用折扣因子gamma，因为现在的奖励比以后的奖励更好。
综上所述，从状态S11开始执行动作A2-A1-A1，预期效用的数学公式如下:
上面的例子是一个简单的例子，一般情况下都会有一些变化，比如，
-
转移概率不可能是1，因为需要在行动中考虑不确定性因素，例如采取某些行动可能并不总是保证成功地向右或向下移动。因此，我们需要在这个不确定性上取一个期望值
-
最优动作可能还不知道，因此一般的表示方式是将动作表示为来自状态的策略，用π(S)表示。
-
奖励可能不是基于黄色/红色/紫色状态，而是基于前一个状态、行动和下一个状态的组合，用R(S1， π(S1)， S2)表示。
-
问题可能不需要4步就能解决，它可能需要无限多的步骤才能达到目标状态
考虑到这些变化，确定给定状态下策略π的期望效用U(s)的更一般的方程是这样的:
用上图4的话来说，状态的预期效用是折现奖励的预期总和。
所以一个状态的效用与其相邻状态的效用相关;假设选择了最优行动，状态的效用是转移的预期奖励加上下一个状态的折扣效用。这就是递归。在数学上使用下面的方程表示
上图5是著名的Bellman方程，它求解最大效用并推导出最优策略。最优策略是在考虑转移概率的情况下，对所有可能的下一个状态进行求和，使当前状态的最大效用加上下一个状态的折现效用。
回到MDP问题中，图2的最优策略是，如果代理处于状态S11, S12或S13，代理应该通过采取动作A2向下移动，如果代理处于状态S21或S22，则代理应该通过采取动作A1向右移动。这里的最优策略是通过求解Bellman方程来执行获得最大当前和折现未来奖励的行动。
MDP一般用(S, A, T, R)表示，它们分别表示一组状态，动作，转移函数和奖励函数。MDP假设环境是完全可观察的，如果代理不知道它当前处于什么状态，我们将使用部分可观察的MDP (POMDP) 图5中的Bellman方程，可以使用值迭代或策略迭代来求解最优策略，这是一种将效用值从未来状态传递到当前状态的迭代方法。
强化学习类似于求解MDP，但现在转移概率和奖励函数是未知的，代理必须在训练期间执行动作来学习
无模型与基于模型的强化学习
上面提到的MDP示例是基于模型的强化学习。基于模型的强化学习具有转移概率T(s1, a, s2)和奖励函数R(s1, a, s2)，它们是未知的，他们表示要解决的问题。
基于模型的方法对仿真很有用。基于模型的强化学习的例子包括值迭代和策略迭代，因为它使用具有转移概率和奖励函数的MDP。
无模型方法不需要知道或学习转移概率来解决问题。我们的代理直接学习策略。
无模型方法对于解决现实问题很有用。无模型强化学习的例子包括Q-learning 和策略搜索，因为它直接学习策略。
离线学习vs.在线学习
在离线(被动)学习中，通过学习效用函数来解决该问题。给定一个具有未知转移和奖励函数的固定策略，代理试图通过使用该策略执行一系列试验来学习效用函数。
例如，在一辆自动驾驶汽车中，给定一张地图和一个要遵循的大致方向(固定策略)，但控制出错(未知的转移概率-向前移动可能导致汽车稍微左转或右转)和未知的行驶时间(奖励函数未知-假设更快到达目的地会带来更多奖励)，汽车可以重复运行以了解平均总行驶时间是多少（效用函数）。
离线强化学习的例子包括值迭代和策略迭代，因为它使用使用效用函数的Bellman方程(图5)。其他的一些例子包括直接效用估计、自适应动态规划(Adaptive Dynamic Programming, ADP)和时间差分学习(Temporal-Difference Learning, TD)，这些将在后面详细阐述。
在线(主动)学习中，通过学习规划或决策来解决问题。对于基于模型的在线强化学习，有探索和使用的阶段。在使用阶段，代理的行为类似于离线学习，采用固定的策略并学习效用函数。在探索阶段，代理执行值迭代或策略迭代以更新策略。
如果使用值迭代更新策略，则使用最大化效用/值的一步前瞻提取最佳行动。如果使用策略迭代更新策略，则可获得最优策略，并可按照建议执行操作。
以自动驾驶汽车为例，在探索阶段，汽车可能会了解到在高速公路上行驶所花费的总时间更快，并选择向高速公路行驶，而不是简单地沿着大方向行驶(策略迭代)。在使用阶段，汽车按照更新的策略以更少的平均总时间(更高的效用)行驶。
在线强化学习的例子包括Exploration、Q-Learning和SARSA，这些将在后面几节中详细阐述。
当状态和动作太多以至于转换概率太多时，在线学习是首选。在线学习中探索和“边学边用”比在离线学习中一次学习所有内容更容易。但是由于探索中的试错法，在线学习也可能很耗时。
需要说明的是:在线学习和基于策略的学习(以及基于策略的离线学习)是有区别的，前者指的是学习(策略可以更改或固定)，后者指的是策略(一系列试验来自一个策略还是多个策略)。在本文的最后两部分中，我们将使用算法来解释策略启动和策略关闭。
在理解了不同类型的强化学习之后，让我们深入研究一下算法！
1、直接效用估计 Direct Utility Estimation
在直接效用估计中，代理使用固定策略执行一系列试验，并且状态的效用是从该状态开始的预期总奖励或预期奖励。
以一辆自动驾驶汽车为例，如果汽车在一次试验中从网格 (1, 1) 开始时，未来的总奖励为 +100。在同一次试验中，汽车重新访问该网格，从该点开始的未来总奖励是+300。在另一项试验中，汽车从该网格开始，未来的总奖励为 +200。该网格的预期奖励将是所有试验和对该网格的所有访问的平均奖励，在本例中为 (100 + 300 + 200) / 3。
优点：给定无限次试验，奖励的样本平均值将收敛到真实的预期奖励。
缺点：预期的奖励在每次试验结束时更新，这意味着代理在试验结束前什么都没有学到，导致直接效用估计收敛非常慢。
2、自适应动态规划 (ADP)
在自适应动态规划 (ADP) 中，代理尝试通过经验学习转换和奖励函数。转换函数是通过计算从当前状态转换到下一个状态的次数来学习的，而奖励函数是在进入该状态时学习的。给定学习到的转换和奖励函数，我们可以解决MDP。
以自动驾驶汽车为例，在给定状态下尝试向前移动 10 次，如果汽车最终向前移动 8 次并向左移动 2 次，我们了解到转换概率为 T（当前状态， 向前，前状态）= 0.8 和 T（当前状态，向前，左状态）= 0.2。
优点：由于环境是完全可观察的，因此很容易通过简单的计数来学习转换模型。
缺点：性能受到代理学习转换模型的能力的限制。这将导致这个问题对于大状态空间来说是很麻烦的，因为学习转换模型需要太多的试验，并且在 MDP 中有太多的方程和未知数需要求解。
3、时间差分学习（TD Learning）
在时间差分学习中，代理学习效用函数并在每次转换后以学习率更新该函数。
这里的时间差分（temporal difference）是指连续状态之间的效用差异，并根据此误差信号更新效用函数，由学习率缩放，如上图6所示。学习率可以是一个固定的参数，也可以是对一个状态访问量增加的递减函数，这有助于效用函数的收敛。
与直接效用估计在每次尝试后进行学习相比，TD学习在每次转换后进行学习，具有更高的效率。
与ADP相比，TD学习不需要学习转换函数和奖励函数，使其计算效率更高，但也需要更长的收敛时间。
ADP和TD学习是离线强化学习算法，但在线强化学习算法中也存在主动ADP和主动TD学习！
4、Exploration
Exploration 算法是一种主动ADP算法。与被动ADP算法类似，代理试图通过经验学习转换和奖励函数，但主动ADP算法将学习所有动作的结果，而不仅仅是固定的策略。
它还有一个额外的函数，确定代理在现有策略之外采取行动的“好奇程度”。这个函数随着效用的增加而增加，随着经验的减少而减少。
如果状态具有高效用，则探索函数倾向于更频繁地访问该状态。探索功能随着效用的增加而增加。如果状态之前没有被访问过或访问过足够多次，探索函数倾向于选择现有策略之外的动作。如果多次访问状态，则探索函数就不那么“好奇”了。由于好奇程度的降低，探索功能随着经验的增加而降低。
优点:探索策略会快速收敛到零策略损失(最优策略)。
缺点:效用估计的收敛速度不如策略估计的快，因为代理不会频繁地出现低效用状态，因此不知道这些状态的确切效用。
5、Q-Learning
Q-Learning 是一种主动的 TD 学习算法。图 6 中的更新规则保持不变，但现在状态的效用表示为使用 Q 函数的状态-动作对的效用，因此得名 Q-Learning。被动 TD 学习与主动 TD 学习的更新规则差异如下图 7 所示。
这种差异是由于被动RL都是用固定的策略，因此每个状态只会执行固定的操作，效用仅取决于状态。而在主动RL 中，策略会被更新并且效用现在取决于状态-动作对，因为每个状态可能会根据不同的策略执行不同的动作。
Q-Learning 是 Off-Policy（无既定策略），这意味着目标或下一个状态的效用是使Q函数最大化（而不是下一个状态中可能的操作），我们就不需要下一个状态下的实际动作。
优点：可以应用于复杂领域，因为它是无模型的，代理不需要学习或应用转换模型。
缺点：它不看到未来的情况，所以当奖励稀少时可能会遇到困难。与 ADP 相比，它学习策略的速度较慢，因为本地更新不能确保 Q 值的一致性。
6、SARSA
SARSA是一种主动TD学习算法。算法名称SARSA源自算法的组件，即状态S、动作A、奖励R、(下一个)状态S和(下一个)动作A。这意味着SARSA算法在更新Q函数之前，要等待下一个状态下执行下一个动作。相比之下，Q-Learning是一种“SARS”算法，因为它不考虑下一个状态的动作。
SARSA 算法知道在下一个状态下采取的动作，并且不需要在下一个状态下的所有可能动作上最大化 Q 函数。Q-Learning与SARSA的更新规则差异显示在下面的图8中。
SARSA 以“策略”或者当前正在运行的策略的下一个状态的效用的q函数为目标，这样就能够获得下一个状态下的实际动作。
也就是说如果Q-Learning不探索其他操作并在下一个状态下遵循当前策略，则它与SARSA相同。
优点：如果整个策略由另一个代理或程序控制，则适合使用策略，这样代理就不会脱离策略并尝试其他操作。
缺点：SARSA不如Q-Learning灵活，因为它不会脱离策略来进行探索。与 ADP 相比，它学习策略的速度较慢，因为本地更新无法确保与 Q 值的一致性。
总结
在本文中我们介绍了强化学习的基本概念，并且讨论了6种算法，并将其分为不同类型的强化学习。
这6种算法是帮助形成对强化学习的基本理解的基本算法。还有更有效的强化学习算法，如深度Q网络(Deep Q Network, DQN)、深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)等算法，具有更实际的应用。
我一直觉得强化学习很有趣，因为它阐明了人类如何学习以及我们如何将这些知识传授给机器人(当然也包括其他应用，如自动驾驶汽车、国际象棋和Alpha Go等)。希望本文能够让你对强化学习有了更多的了解，并且知道了强化学习的不同类型，以及说明每种类型的强化学习的算法。
微信
QQ
微博