首发于旺财的搬砖历险记

David Silver 增强学习——Lecture 2 马尔可夫决策过程（二）

其他lecture

**David Silver 增强学习——Lecture 2 马尔可夫决策过程（一）**
1. 前言
----1.1 数学规范
----1.2 马尔可夫性
----1.3 状态转移矩阵
----1.4 片段（episode）
----1.5 马尔可夫过程（Markov Process，MP）
----1.6 马尔可夫链（Markov Chain）
----1.7 生成模式（Generating Patterns）
--------1.7.1 确定性模式（Deterministic Patterns）：确定性系统
--------1.7.2 非确定性模式（Non-deterministic patterns）：马尔可夫
--------1.7.3 隐藏模式（Hidden Patterns）：隐马尔科夫

**David Silver 增强学习——Lecture 2 马尔可夫决策过程（二）**
2. 马尔科夫决策过程（Markov Decision Process，MDP）
----2.1 马尔科夫奖励过程（Markov Reward Process，MRP）
----2.2 举例说明收获和价值的计算

**David Silver 增强学习——Lecture 2 马尔可夫决策过程（三）**
----2.3 Bellman方程的矩阵形式和求解

**David Silver 增强学习——Lecture 2 马尔可夫决策过程（四）**
----2.4 马尔可夫决策过程（Markov Decision Processes，MDPs）
--------2.4.1 示例——学生MDP
--------2.4.2 策略（Policy）
--------2.4.3 基于策略 \pi 的价值函数
--------2.4.4 Bellman期望方程（Bellman Expectation Equation）
--------2.4.5 学生MDP示例
--------2.4.6 Bellman期望方程矩阵形式
--------2.4.7 最优价值函数
--------2.4.8、最优策略
--------2.4.9 寻找最优策略

**David Silver 增强学习——Lecture 2 马尔可夫决策过程（五）**
--------2.4.10 学生MDP最优策略示例
--------2.4.11 Bellman最优方程（Bellman Optimality Equation）
--------2.4.12 Bellman最优方程求解学生MDP示例
--------2.4.13 求解Bellman最优方程

3. 参考文献

2. 马尔科夫决策过程（Markov Decision Process，MDP）

MDP是对完全可观测（Fully observable）的环境进行描述的，也就是说观测到的状态内容完整地决定了决策需要的特征；几乎所有的强化学习问题都可以转化为MDP。

2.1 马尔科夫奖励过程（Markov Reward Process，MRP）

MRP是带有values的Markov Chain，是一个数组 \left\{ {\cal S},{\cal P},{\cal R},\gamma \right\}

\cal S 是有限的状态集
\cal P 是状态转移矩阵，{\cal P}_{ss^{'}}={\Bbb P}\left[ {S}_{t+1}=s^{'}|{S_t}=s \right]
\cal R 是奖励函数，标量，描述了在状态 s 的奖励，\mathop{\underline{{\cal R}_s}}\limits_{函数}={\Bbb E}\left[ \mathop{\underline{R_{t+1}}}_{具体的奖励值}|S_t=s \right]
\gamma 是衰减系数（Discount factor），并且 \gamma \in \left[ 0,1 \right] ，其中有数学表达的方便，避免陷入无限循环，远期利益具有一定的不确定性，符合人类对于眼前利益的追求，符合金融学上获得的利益能够产生新的利益因而更有价值等等； \gamma\rightarrow0 代表更青睐于当前的利益（“myopic” evaluation）； \gamma\rightarrow1 代表更有远见（“far-sighted” evaluation）

G_{t} 是从时间序列 t 开始所有的折扣回报：

针对连续性任务而言， G_{t}=R_{t+1}+\gamma R_{t+2}+...=\sum_{k=0}^{\infty}{\gamma^{k}R_{t+k+1}}
针对片段性任务而言， G_{t}=R_{t+1}+\gamma R_{t+2}+...+\gamma^{T-t-1}R_T=\sum_{k=0}^{T-t-1}{\gamma^{k}R_{t+k+1}}

当然我们也可以将终止状态等价于自身转移概率为1，奖励为0的的状态，由此能够将片段性任务和连续性任务统一表达， G_{t}=\sum_{k=0}^{T-t-1}{\gamma^{k}R_{t+k+1}} 。

其中：

T\rightarrow \infty 表示连续性任务，否则为片段性任务。

（注：奖励是针对状态的，回报是针对片段的！）

状态价值函数 v(s) 是从状态 s 开始的期望回报： v\left( s \right)={\Bbb E}\left[ G_{t}|S_{t}=s \right]

值函数存在的意义：回报值是一次片段（or一次采样）的结果，存在很大的样本偏差；
回报值的角标是 t ，值函数关注的是状态 s ，所以又被称为状态价值函数。

状态价值函数可以被分解为两部分：立即回报 R_{t+1} 和后续状态的折扣值函数 \gamma v\left( S_{t+1} \right)

贝尔曼方程： \begin{align*} v\left( s \right) &={\Bbb E}\left[ G_{t}|S_{t}=s \right]\\ &={\Bbb E}\left[ R_{t+1}+\gamma R_{t+2}+\gamma^2 R_{t+3}+...|S_{t}=s \right]\\ &={\Bbb E}\left[ R_{t+1}+\gamma \left( R_{t+2}+\gamma R_{t+3}+... \right)|S_{t}=s \right]\\ &={\Bbb E}\left[ R_{t+1}+\gamma G_{t+1}|S_{t}=s \right]\\ &\left( 分别对R_{t+1}和G_{t+1}求期望，和的期望等于期望的和 \right)\\ &={\Bbb E}\left[ R_{t+1}+\gamma v\left( S_{t+1} \right)|S_{t}=s \right] \\&\left( 注意v\left( S_{t+1} \right)用大写的S_{t+1}是因为S_t=s后下一个状态是随机的 \right)\\ &\left( 如果我们已知转移矩阵{\cal P}，则可将上式展开 \right)\\ &={\Bbb E}\left[ R_{t+1}|S_t=s \right]+\gamma {\Bbb E}\left[ v\left( S_{t+1} \right)|S_t=s \right]\\ &\left( 对随机变量求期望请参考下面的定义 \right)\\ &={\cal R}_{s}+\gamma \sum_{s'\in {\cal S}}{{\cal P}_{ss'}v\left( s' \right)}\\ \end{align*}

对于大范围MRPs，有许多迭代理论来计算状态价值函数，如动态规划、蒙特卡洛估计、时间差分学习。

附数学期望的定义：
离散型随机变量 X 有概率函数 P\left( X=x_k \right)=P_k\left( k=1,2,... \right) ，若级数 \sum_{k=1}^{\infty}{x_kp_k} 绝对收敛，则称这个级数为 X 的数学期望。

2.2 举例说明收获和价值的计算

下图是一个“马尔科夫奖励过程”图示的例子，在“马尔科夫过程”基础上增加了针对每一个状态的奖励，由于不涉及衰减系数相关的计算，这张图并没有特殊交代衰减系数值的大小。

为方便计算，把“学生马尔科夫奖励过程”示例图表示成下表的形式。表中第二行对应各状态的即时奖励值，中间区域数字为状态转移概率，表示为从所在行状态转移到所在列状态的概率：

{\begin{bmatrix} {States}&{C_1}&{C_2}&{C_3}&{Pass}&{Pub}&{FB}&{Sleep} \\ {Rewards}&{-2}&{-2}&{-2}&{10}&{1}&{-1}&{0}\\{C_1}&{}&{0.5}&{}&{}&{}&{0.5}&{}\\{C_2}&{}&{}&{0.8}&{}&{}&{}&{0.2}\\{C_3}&{}&{}&{}&{0.6}&{0.4}&{}&{}\\{Pass}&{}&{}&{}&{}&{}&{}&{1}\\{Pub}&{0.2}&{0.4}&{0.4}&{}&{}&{}&{}\\{FB}&{0.1}&{}&{}&{}&{}&{0.9}&{}\\{Sleep}&{}&{}&{}&{}&{}&{}&{1}\end{bmatrix}\quad}

考虑如下4个马尔科夫链。现计算当 \gamma=\frac{1}{2} 时，在 t=1 时刻 {S_1}={C_1} 时状态 S_1 的收获分别为：

（公式： G_1=R_2+\gamma R_3+...+\gamma^{T-2}R_T ）

C1 - C2 - C3 - Pass - Sleep
v_1=(-2)+(-2)*\frac{1}{2}+(-2)*\left( {\frac{1}{2}} \right)^2+10*\left( {\frac{1}{2}} \right)^3=-2.25
C1 - FB - FB - C1 - C2 - Sleep v_1=(-2)+(-1)*\frac{1}{2}+(-1)*\left( {\frac{1}{2}} \right)^2+(-2)*\left( {\frac{1}{2}} \right)^3+(-2)*\left( {\frac{1}{2}} \right)^4=-3.125
C1 - C2 - C3 - Pub - C2 - C3 - Pass - Sleep v_1=(-2)+(-2)*\frac{1}{2}+(-2)*\left( {\frac{1}{2}} \right)^2+1*\left( {\frac{1}{2}} \right)^3+(-2)*\left( {\frac{1}{2}} \right)^4...=-3.41
C1 - FB - FB - C1 - C2 - C3 - Pub - C1 - FB - FB - FB - C1 - C2 - C3 - Pub - C2 - Sleep v_1=(-2)+(-1)*\frac{1}{2}+(-1)*\left( {\frac{1}{2}} \right)^2+(-2)*\left( {\frac{1}{2}} \right)^3+(-2)*\left( {\frac{1}{2}} \right)^4...=-3.20

由此可以理解到，虽然都是从相同的初始状态开始，但是不同的片段有不同的回报值，而值函数是它们的期望值。

\gamma=0 各状态的价值（注：具体的求解过程请参考下文。）