强化学习-资格迹(Eligibility trace)

作者: 闪电侠悟空 | 来源:发表于2021-10-19 14:22 被阅读0次

问题描述

我个人觉得邹伟博士的《强化学习》在关于资格迹的论述不是很清晰。无法理解资格迹的突然出现，这里就简单说下我的理解。

强化学习的主要目标就是获取价值函数（value function）或者行为价值函数(action-value function)，这里我们还是以值函数为例进行说明。
$v(s)=v(s,w)$ ，

这里用参数 $w$ 统一公式化表格型, $v(s_i)=w_i$ ,或者连续型值函数 $v(s_i)=f(s_i,w)$ .

累积回报: $G_t = r_{t+1}+\gamma r_{t+2}+\gamma ^2 r_{t+1}+...$ ,
值函数定义: 累积回报的期望 $v(s)=\mathbb{E} G_t(s)$ 。求解最优值函数便成了一个优化问题
$w^*_i = \arg\min L(w_i)= \arg\min |v(s_i,w_i)-\mathbb{E}G_t(s_i)|^2$
（我这里分开每个状态表示表格型的RL问题）

数学求解（梯度下降）

用梯度下降法，求解上述优化问题不算复杂
$w_i\leftarrow w_i -\alpha \frac{\partial L}{\partial w_i}$
其中
$\frac{\partial L}{\partial w_i} = 2(v(s_i,w_i)-\mathbb{E}G_t(s_i)) \nabla_{w_i}v(s_i, w_i)$
所以，
$w_i \leftarrow w_i +\alpha [\mathbb{E}G_t(s_i)-v(s_i,w_i)] \nabla_{w_i}v(s_i, w_i)$
对于表格型强化学习 $v(s_i,w_i)=w_i$ , 所以
$v_i(s_i) \leftarrow v_i(s_i) +\alpha [\mathbb{E}G_t(s_i)-v(s_i,w_i)] \nabla_{w_i}v(s_i, w_i)$
现状还有两个问题没有解决

$[\mathbb{E}G_t(s_i)-v(s_i,w_i)]$ 如何计算？这一项实际上就是TD error，Sarsa & Q-learning都解决了。
$\nabla_{w_i}v(s_i, w_i)$ 如何计算？这个玩意儿我们暂时就称为资格迹，值函数更新是否有资格，就看这个数据的取值。

资格迹的计算与近似

直接看公式 $v(s_i,w_i)=w_i$ ，那么 $\nabla_{w_i}v(s_i, w_i)=1$ 恒成立。也就是普通的算法，不是课本上的资格迹。
既然如此，为什么要严格按照优化公式？将 $\nabla_{w_i}v(s_i, w_i)$ 替换成类似的 $Z(s_i)$ 行不行？
$v_i(s_i) \leftarrow v_i(s_i) +\alpha [\mathbb{E}G_t(s_i)-v(s_i,w_i)] Z(s_i)$