强化学习 补充笔记（TD算法、Q学习算法、SARSA算法、多步TD目标、经验回放、高估问题、对决网络、噪声网络）

学习目标：

深入了解马尔科夫决策过程(MDP)，包含TD算法、Q学习算法、SARSA算法、多步TD目标、经验回放、高估问题、对决网络、噪声网络。基础部分见：强化学习 马尔科夫决策过程（价值迭代、策略迭代、雅克比迭代、蒙特卡洛）

---

学习内容：

0.基础符号

奖励：一局游戏中从开始到结束的所有奖励$$R_1,...,R_t,...,R_n.$$
折扣率：$$\gamma \in [0,1]$$
折扣回报：$$U_t=R_t+\gamma \cdot R_{t+1}+{\gamma }^2\cdot R_{t+2}+...+{\gamma }^{n-t}\cdot R_n$$
动作价值函数：$$Q_{\pi }(s_t,a_t)=\mathbb{E}[U_t|S_t=s_t,A_t=a_t]$$
最有动作价值函数：已知$s_t$和$a_t$，不论未来采取什么样的策略$\pi$，回报$U_t$都不可能超过$Q_{\star }$$$Q_{\star }(s_t,a_t)=\underset{\pi }{\max }{Q}_{\pi }(s_t,a_t),\forall s_t\in \mathcal{S},a_t\in \mathcal{A}$$

1.时间差分（TD）算法

（1）基础

利用TD训练深度Q网络（DQN），已有四元组$<s_t,a_t,r_t,s_{t+1}>$。
已知贝尔曼（Bellman）最优方程：
$$\underset{U_t\text{ 的期望 }}{\underbrace{Q_{\star }\left(s_t,a_t\right)}}={\mathbb{E}}_{S_{t+1}\sim p\left(\cdot \mid s_t,a_t\right)}[R_t+\gamma \cdot \underset{U_{t+1}\text{ 的期望 }}{\underbrace{\underset{A\in \mathcal{A}}{\max }{Q}_{\star }\left(S_{t+1},A\right)}}\mid S_t=s_t,A_t=a_t]$$
得到蒙特卡洛近似：
$$Q_{\star }\left(s_t,a_t\right)\approx r_t+\gamma \cdot \underset{a\in \mathcal{A}}{\max }{Q}_{\star }\left(s_{t+1},a\right).$$
带入神经网络参数：
$$Q_{\star }\left(s_t,a_t;\mathbf{w}\right)\approx r_t+\gamma \cdot \underset{a\in \mathcal{A}}{\max }{Q}_{\star }\left(s_{t+1},a;\mathbf{w}\right).$$

（2）流程

收集训练数据：我们可以用任何策略函数 $\pi$ 去控制智能体与环境交互, 这个 $\pi$ 就叫做行为策略 (Behavior Policy)。比较常用的是 $ϵ$-greedy 策略:
a t = { argmax ⁡ a Q ( s t , a ; w ) ,  以概率  ( 1 − ϵ ) ;  均匀抽取  A  中的一个动作,   以概率  ϵ . a_t=

at​={argmaxa​Q(st​,a;w), 均匀抽取 A 中的一个动作, ​ 以概率 (1−ϵ); 以概率 ϵ.​
把智能体在一局游戏中的轨迹记作：
$$s_1,a_1,r_1,s_2,a_2,r_2,\cdots s_n,a_n,r_n.$$
把一条轨迹划分成 $n$ 个 $\left(s_t,a_t,r_t,s_{t+1}\right)$ 这种四元组, 存入数组, 这个数组叫做经验回放数组 (Replay Buffer)。
更新 DQN 参数 $w$ : 随机从经验回放数组中取出一个四元组, 记作 $\left(s_j,a_j,r_j,s_{j+1}\right)$ 。 设 DQN 当前的参数为 ${\mathbf{w}}_{\text{now }}$, 执行下面的步骤对参数做一次更新, 得到新的参数 ${\mathbf{w}}_{\text{new }}$ 。

1. 对DQN做正向传播, 得到 $\mathrm{Q}$ 值:
   $${\hat{q}}_j=Q\left(s_j,a_j;{\mathbf{w}}_{\text{now }}\right)\text{ 和 }{\hat{q}}_{j+1}=\underset{a\in \mathcal{A}}{\max }Q\left(s_{j+1},a;{\mathbf{w}}_{\text{now }}\right).$$
2. 计算TD目标和TD误差：
   $${\hat{y}}_j=r_j+\gamma \cdot {\hat{q}}_{j+1}\text{ 和 }{\delta }_j={\hat{q}}_j-{\hat{y}}_j.$$
3. 对DQN做反向传播, 得到梯度:
   $${\mathbf{g}}_j={\nabla }_{\mathbf{w}}Q\left(s_j,a_j;{\mathbf{w}}_{\mathrm{n}\mathrm{o}\mathrm{w}}\right).$$
4. 做梯度下降更新DQN的参数:
   $${\mathbf{w}}_{\text{new }}\leftarrow {\mathbf{w}}_{\text{now }}-\alpha \cdot {\delta }_j\cdot {\mathbf{g}}_j.$$

智能体收集数据、更新DQN参数这两者可以同时进行。可以在智能体每执行一个动作 之后, 对 $\mathbf{w}$ 做几次更新。也可以在每完成一局游戏之后, 对 $\mathbf{w}$ 做几次更新。

2.Q学习算法

（1）基础

利用Q学习（TD的一种）训练深度Q网络（DQN），已有四元组$<s_t,a_t,r_t,s_{t+1}>$。
已知贝尔曼（Bellman）最优方程：
$$\underset{U_t\text{ 的期望 }}{\underbrace{Q_{\star }\left(s_t,a_t\right)}}={\mathbb{E}}_{S_{t+1}\sim p\left(\cdot \mid s_t,a_t\right)}[R_t+\gamma \cdot \underset{U_{t+1}\text{ 的期望 }}{\underbrace{\underset{A\in \mathcal{A}}{\max }{Q}_{\star }\left(S_{t+1},A\right)}}\mid S_t=s_t,A_t=a_t]$$
公式左侧等效为：
$$\tilde{Q}(s_t,a_t)$$
公式右侧蒙特卡洛近似等效为：
$$\widehat{y_t}\triangleq r_t+\gamma \cdot \underset{a\in \mathcal{A}}{\max }\tilde{Q}(s_{t+1},a)$$
更新表格$\tilde{Q}$中$(s_t,a_t)$位置上的元素：
$$\tilde{Q}(s_t,a_t)\leftarrow (1-\alpha )\cdot \tilde{Q}(s_t,a_t)+\alpha \cdot \widehat{y_t}$$

（2）流程

收集训练数据：同TD算法。
a t = { argmax ⁡ a Q ~ ( s t , a ) ,  以概率  ( 1 − ϵ ) ; 均匀抽取  A  中的一个动作,   以概率  ϵ . a_t=

at​={argmaxa​Q ​(st​,a),均匀抽取 A 中的一个动作, ​ 以概率 (1−ϵ); 以概率 ϵ.​

把一条轨迹划分成 $n$ 个 $\left(s_t,a_t,r_t,s_{t+1}\right)$ 这种四元组, 存入数组。
经验回放更新表格 $\tilde{Q}$ : 随机从经验回放数组中抽取一个四元组, 记作 $\left(s_j,a_j,r_j,s_{j+1}\right)$ 。

1. 把当前表格 ${\tilde{Q}}_{\text{now }}$ 中第 $\left(s_j,a_j\right)$ 位置上的元素记作:
   $${\hat{q}}_j={\tilde{Q}}_{\text{now }}\left(s_j,a_j\right).$$
2. 查看表格 ${\tilde{Q}}_{\text{now }}$ 的第 $s_{j+1}$ 行, 把该行的最大值记作:
   $${\hat{q}}_{j+1}=\underset{a}{\max }{\tilde{Q}}_{\text{now }}\left(s_{j+1},a\right).$$
3. 计算TD目标和TD误差:
   $${\hat{y}}_j=r_j+\gamma \cdot {\hat{q}}_{j+1},{\delta }_j={\hat{q}}_j-{\hat{y}}_j.$$
4. 更新表格中 $\left(s_j,a_j\right)$ 位置上的元素，得到更新后的表格:
   $${\tilde{Q}}_{\text{new }}\left(s_j,a_j\right)\leftarrow {\tilde{Q}}_{\text{now }}\left(s_j,a_j\right)-\alpha \cdot {\delta }_j.$$

收集经验与更新表格 $\tilde{Q}$ 可以同时进行。每当智能体执行一次动作, 我们可以用经验回放 对 $\tilde{Q}$ 做几次更新。也可以当完成一局游戏, 对 $\tilde{Q}$ 做几次更新。

3.SARSA算法

（1）基础

已知贝尔曼方程：
$$Q_{\pi }\left(s_t,a_t\right)={\mathbb{E}}_{S_{t+1},A_{t+1}}\left[R_t+\gamma \cdot Q_{\pi }\left(S_{t+1},A_{t+1}\right)\mid S_t=s_t,A_t=a_t\right]$$
左侧等效为：$$q\left(s_t,a_t\right)$$

右侧根据蒙特卡洛近似为：$${\hat{y}}_t\triangleq r_t+\gamma \cdot q\left(s_{t+1},{\tilde{a}}_{t+1}\right)$$
更新表格$q$中$(s_t,a_t)$位置上的元素：
$$q\left(s_t,a_t\right)\leftarrow (1-\alpha )\cdot q\left(s_t,a_t\right)+\alpha \cdot {\hat{y}}_t$$

（2）流程

五元组： $\left(s_t,a_t,r_t,s_{t+1},{\tilde{a}}_{t+1}\right)$ 。SARSA算法学到的 $q$ 依赖于策略 $\pi$, 这是因为五元组中的 ${\tilde{a}}_{t+1}$ 是根据 $\pi \left(\cdot \mid s_{t+1}\right)$ 抽样得到的。
训练流程：设当前表格为 $q_{\text{now }}$, 当前策略为 ${\pi }_{\text{now }}$ 。 每一轮更新表格中的一个元素，把更新之后的表格记作 $q_{\text{new}}$ 。

1. 观测到当前状态 $s_t$, 根据当前策略做抽样: $a_t\sim {\pi }_{\text{now }}\left(\cdot \mid s_t\right)$ 。
2. 把表格 $q_{\text{now }}$ 中第 $\left(s_t,a_t\right)$ 位置上的元素记作:
   $${\hat{q}}_t=q_{\text{now }}\left(s_t,a_t\right).$$
3. 智能体执行动作 $a_t$ 之后, 观测到奖励 $r_t$ 和新的状态 $s_{t+1}$ 。
4. 根据当前策略做抽样: ${\tilde{a}}_{t+1}\sim {\pi }_{\text{now }}\left(\cdot \mid s_{t+1}\right)$ 。注意, ${\tilde{a}}_{t+1}$ 只是假想的动作，智能体不予执行。
5. 把表格 $q_{\text{now }}$ 中第 $\left(s_{t+1},{\tilde{a}}_{t+1}\right)$ 位置上的元素记作:
   $${\hat{q}}_{t+1}=q_{\text{now }}\left(s_{t+1},{\tilde{a}}_{t+1}\right).$$
6. 计算 TD 目标和 TD 误差:
   $${\hat{y}}_t=r_t+\gamma \cdot {\hat{q}}_{t+1},{\delta }_t={\hat{q}}_t-{\hat{y}}_t.$$
7. 更新表格中 $\left(s_t,a_t\right)$ 位置上的元素:
   $$q_{\text{new }}\left(s_t,a_t\right)\leftarrow q_{\text{now }}\left(s_t,a_t\right)-\alpha \cdot {\delta }_t.$$
8. 用某种算法更新策略函数。该算法与 SARSA算法无关。

（3）对比

Q  学习   近似  Q ⋆  异策略   可以使用   经验回放   SARSA   近似  Q π  同策略   不能使用   经验回放 

\\ \hline \text { SARSA } & \text { 近似 } Q_\pi & \text { 同策略 } & \\ \hline \end{array} Q 学习  SARSA ​ 近似 Q⋆​ 近似 Qπ​​ 异策略  同策略 ​ 可以使用  经验回放 ​ 不能使用  经验回放 ​​​

至于神经网络形式的SARSA：在状态空间$\mathcal{S}$为无限集的情况下适用。只需将上述流程中的q函数增加一个神经网络的参数$w$，同时第七步更改为反向传播和梯度下降的求解过程，此处不再赘述。

4.多步TD目标

（1）基础

此时回报可以写作如下形式：
$$U_t=\left(\sum _{i=0}^{m-1}{\gamma }^i{R}_{t+i}\right)+{\gamma }^m{U}_{t+m}$$
由此可得动作值函数为：
$$\underset{U_t\text{ 的期望 }}{\underbrace{Q_{\pi }\left(s_t,a_t\right)}}=\mathbb{E}[\left(\sum _{i=0}^{m-1}{\gamma }^i{R}_{t+i}\right)+{\gamma }^m\cdot \underset{U_{t+m}\text{ 的期望 }}{\underbrace{Q_{\pi }\left(S_{t+m},A_{t+m}\right)}}\mid S_t=s_t,A_t=a_t]$$
左侧等效为：
$$\widehat{q_t}=q\left(s_t,a_t;\mathbf{w}\right)$$
右侧根据蒙特卡洛近似等效为：
$${\hat{y}}_t=\left(\sum _{i=0}^{m-1}{\gamma }^i{r}_{t+i}\right)+{\gamma }^m\cdot q\left(s_{t+m},a_{t+m};\mathbf{w}\right)$$
损失函数设置为：
$$L(\mathbf{w})\triangleq \frac{1}{2}{\left[q\left(s_t,a_t;\mathbf{w}\right)-{\hat{y}}_t\right]}^2$$
梯度下降为：
$$\mathbf{w}\leftarrow \mathbf{w}-\alpha \cdot \left({\hat{q}}_t-{\hat{y}}_t\right)\cdot {\nabla }_{\mathbf{w}}q\left(s_t,a_t;\mathbf{w}\right)$$
流程与SARAS同理，略。

5.经验回放

（1）基础

定义：把智能体与环境交互的记录（即经验）储存到一个数组，事后反复利用这些经验训练智能体。这个数组被称为经验回放数组 (Replay Buffer)

优点：打破序列相关性。

局限：经验回放数组中的经验通常是过时的行为策略收集的，而我们真正想要学的目标策略不同于过时的行为策略。

（2）扩展

优先经验回放 (Prioritized Experience Replay) 是一种特殊的经验回放方法，它比普通的经验回放效果更好：既能让收敛更快，也能让收敛时的平均回报更高。优先经验回放给每个四元组一个权重，然后根据权重做非均匀随机抽样。

6.高估问题

（1）基础

Q 学习算法有一个缺陷：用 Q 学习训练出的 DQN 会高估真实的价值，而且高估通常是非均匀的。来源有两个：（1）自举导致的误差积累。（2）最大化导致高估。

（2）目标网络（缓和自举高估）

目标网络记作：
$$Q\left(s,a;{\mathbf{w}}^{-}\right)$$
其神经网络结构与DQN完全相同，但$w^{-}$与$w$的值并不完全相同。

1. 对DQN做正向传播，得到:
   $${\hat{q}}_j=Q\left(s_j,a_j;{\mathbf{w}}_{\text{now }}\right).$$
2. 对目标网络做正向传播，得到
   $${\hat{q}}_{j+1}^{-}=\underset{a\in \mathcal{A}}{\max }Q\left(s_{j+1},a;{\mathbf{w}}_{\mathrm{n}\mathrm{o}\mathrm{w}}^{-}\right).$$
3. 计算TD目标和TD误差：
   $${\hat{y}}_j^{-}=r_j+\gamma \cdot {\hat{q}}_{j+1}\text{ 和 }{\delta }_j={\hat{q}}_j-{\hat{y}}_j.$$
4. 对DQN做反向传播，得到梯度 ${\nabla }_{\mathbf{w}}Q\left(s_j,a_j;{\mathbf{w}}_{\text{now }}\right)$ 。
5. 做梯度下降更新DQN的参数：
   $${\mathbf{w}}_{\text{new }}\leftarrow {\mathbf{w}}_{\text{now }}-\alpha \cdot {\delta }_j\cdot {\nabla }_{\mathbf{w}}Q\left(s_j,a_j;{\mathbf{w}}_{\text{now }}\right).$$
6. 设 $\tau \in (0,1)$ 是需要手动调的超参数。做加权平均更新目标网络的参数：
   $${\mathbf{w}}_{\text{new }}^{-}\leftarrow \tau \cdot {\mathbf{w}}_{\text{new }}+(1-\tau )\cdot {\mathbf{w}}_{\text{now }}^{-}$$

（3）双Q学习法（解决最大化高估）

此处对比Q学习、目标网络、双Q学习法的区别，流程与上文（2）中类似：

Q学习算法：
选择：即基于状态 $s_{j+1}$, 选出一个动作使得 DQN 的输出最大化:
$$a^{\star }=\underset{a\in \mathcal{A}}{\mathrm{argmax}}Q\left(s_{j+1},a;\mathbf{w}\right).$$
求值：即计算 $\left(s_{j+1},a^{\star }\right)$ 的价值, 从而算出 TD 目标:
$${\hat{y}}_j=r_j+Q\left(s_{j+1},a^{\star };\mathbf{w}\right).$$
目标网络：
选择: $a^{-}=\underset{a\in \mathcal{A}}{\mathrm{argmax}}Q\left(s_{j+1},a;{\mathbf{w}}^{-}\right)$,
求值: $\widehat{y_t^{-}}=r_t+Q\left(s_{j+1},a^{-};{\mathbf{w}}^{-}\right)$.
双Q学习， 第一步的选择用DQN, 第二步的求值用目标网络：
选择: $a^{\star }=\underset{a\in \mathcal{A}}{\mathrm{argmax}}Q\left(s_{j+1},a;\mathbf{w}\right)$,
求值: ${\tilde{y}}_t=r_t+Q\left(s_{j+1},a^{\star };{\mathbf{w}}^{-}\right)$.

对比
 选择   求值   自举造成偏差   最大化造成偏差   Q学习   DQN   DQN   严重   严重   Q学习+目标网络 目标网络   目标网络   不严重   严重   双Q学习   DQN   目标网络   不严重   不严重 

 Q学习  Q学习+目标网络 双Q学习 ​ 选择  DQN 目标网络  DQN ​ 求值  DQN  目标网络  目标网络 ​ 自举造成偏差  严重  不严重  不严重 ​ 最大化造成偏差  严重  严重  不严重 ​​

7.对决网络

（1）基础

（2）流程

8.噪声网络

（1）基础

（2）流程