从零开始强化学习（五）——Deep Q-network(DQN)

作者: 晓柒NLP与药物设计 | 来源:发表于2022-06-24 00:08 被阅读0次

五. Deep Q-network(DQN)

现实中强化学习面临的状态空间往往是连续的，存在无穷多个状态。这种情况下，就不能再使用表格对价值函数进行存储，采用价值函数近似（Value Function Approximation）的方式进行逼近

在连续的状态和动作空间中，可以用函数 $Q_\phi(s,a)$ 来表示近似计算:
$Q_\phi(s,a) \approx Q^\pi(s,a)$
其中函数 $Q_\phi(s,a)$ 通常是一个参数为 $\phi$ 的函数，比如神经网络

5.1 状态价值函数(State Value Function)

衡量这个状态价值函数 $V^{\pi}(s)$ ，有两种不同的做法：MC-based的方法和TD-based的方法:

5.1.1 蒙特卡洛法

方法:
- 输入一个状态，输出接下来的累计奖励。是一个回归问题。网络的输出就是一个值，你希望在输入 $s_a$ 的时候，输出的值跟 $G_a$ 越近越好，输入 $s_b$ 的时候，输出的值跟 $G_b$ 越近越好，把网络训练下去就是MC-based的方法
问题:
- 由于每次都要计算累积奖励，所以必须等待游戏结束才能更新网络，这样花的时间太长
- 方差很大。本身具有随机性，累积奖励可以看成是一个随机变量

5.1.2 时序差分法

方法:
- 假设在某一个状态 $s_t$ ，采取动作 $a_t$ 得到奖励 $r_t$ ，跳到状态 $s_{t+1}$ ，则有：
$V^\pi(s_t) = V^\pi(s_{t+1})+r_t$
- 希望 $V^\pi(s_t)$ 和 $V^\pi(s_{t+1})$ 相减的损失跟 $r_t$ 相似，并以此更新V的参数

5.2 动作价值函数(State-action Value Function)

动作价值函数的输入是状态、动作对。表示在某一个状态采取某一个动作，都是用演员 $\pi$ ，得到的累计奖励期望值
Q函数的两种写法:

输入是状态和动作，输出是一个标量
输入是状态，输出是多个值（只有离散动作才能使用）

方法:

假设有一个Q函数和某一个策略 $\pi$ ，根据策略 $\pi$ 学习出的Q函数，保证可以找到一个 $\pi$ 好的新的策略 $\pi'$ ，在用相同方法找它的Q函数以及新的更好的策略 $\pi'(s) = \arg \max\limits_a Q^\pi(s,a)$

证明:为什么用 $Q^\pi(s,a)$ 决定出来的 $\pi'$ 一定比 $\pi$ 好

$V π ( s ) = Q π ( s , a ) V^\pi(s)=Q^\pi(s,a)V$
$\max_a Q^\pi(s,a) = Q^\pi(s,\pi'(s))$ max

由1、2式可得:

$V^{\pi}(s) \leq Q^\pi(s,\pi'(s))$
$Q^\pi(s,\pi'(s)) = E[r_t+V^\pi(s_{t+1})|s_t=s,a_t=\pi'(s)]$

综合3、4可得： $V^{\pi}(s) \leq E[r_t+r_{t+1}V^\pi(s_{t+2})|s_t=s,a_t=\pi'(s)]$
$=E[r_t+r_{t+1}+r_{t+2}+V^\pi(s_{t+3})|s_t=s,a_t=\pi'(s)]=E[r_t+r_{t+1}+r_{t+2}+\cdots|s_t=s,a_t=\pi'(s)]=V^{\pi'}(s)$

即证毕，对于估计某一个策略的Q-function，接下来就可以找到另外一个策略 $\pi'$ 比原来的策略还要更好

5.3 目标网络(target network)

在学习Q-function的时候，会用到TD的概念。那怎么用TD？在状态 $s_t$ ，采取动作 $a_t$ 以后，得到奖励 $r_t$ ，然后跳到状态 $s_{t+1}$ 。根据这个Q-function:
$\mathrm{Q}^{\pi}\left(s_{t}, a_{t}\right) =r_{t}+\mathrm{Q}^{\pi}\left(s_{t+1}, \pi\left(s_{t+1}\right)\right)$
但是实际上这样的一个输入并不好学习，因为假设这是一个回归问题， $\mathrm{Q}^{\pi}\left(s_{t}, a_{t}\right)$ 是网络的输出， $r_{t}+\mathrm{Q}^{\pi}\left(s_{t+1}, \pi\left(s_{t+1}\right)\right)$ 是目标，实际上目标是可变的。在做反向传播的时候， $Q^{\pi}$ 的参数会被更新，并会把两个更新的结果加在一起，这样会导致训练变得不太稳定

所以可以把其中一个Q网络，通常是会把右边这个Q网络固定住。在训练的时候只更新左边的Q网络的参数，而右边的Q网络的参数会被固定住。因为右边的**Q网络负责产生目标，所以叫目标网络**。因为目标网络是固定的，所以得到的目标 $r_{t}+\mathrm{Q}^{\pi}\left(s_{t+1}, \pi\left(s_{t+1}\right)\right)$ 的值也是固定的。只调左边网络的参数，它就变成是一个回归问题。希望模型的输出的值跟目标越接近越好，可以最小化它的均方误差(mean square error)

在实现的时候，把目标网络固定，只调模型输出的网络。在把输出的网络更新几次以后，再去用更新的网络替换目标网络

5.4 探索(Exploration)

这个问题其实就是探索-利用窘境(Exploration-Exploitation dilemma)问题

当使用Q函数时，策略完全取决于Q函数。在采取动作的时候，会采取Q值最大的动作。这样可能会一直采取相同的动作，所以需要探索机制，避免一直采取相同的动作

5.4.1 ε-贪心(ε-greedy)

定义：
- 有1-ε的概率会按照Q函数决定动作，主要根据Q函数决定动作，比较少随机决定动作：
  $\pi(a|s)= \begin{cases} \underset{a}{\operatorname{argmax}}Q(s,a)\ \ \ \ 1-ε\\ 随机\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ ε \end{cases}$
- 通常ε会随时间递减。随着训练次数的增多可以减少探索
对象:
- 无法尝试Q值比较差的动作，可能的动作有：
  - 最大Q值对应动作
  - 随机动作