【挑战全网最易懂】深度强化学习 --- 零基础指南

深度强化学习介绍、概念

• • 强化学习介绍
  • • 离散场景，使用行为价值方法
    • 连续场景，使用概率分布方法
    • 实时反馈连续场景：使用概率分布 + 行为价值方法
  • 强化学习六要素
  • • 设计奖励函数
    • 设计评论家
    • 策略学习与优化
  • 算法路径
  • • 深度 Q 网络 DQN
    • 演员-评论家算法：多智能体强化学习核心框架
    • PPO 近端策略优化算法

强化学习介绍

机器学习是把带标签的数据训练模型，使得预测值尽可能接近真实值。

强化学习是通过和环境交互，奖励来训练模型，使得最后获取的奖励最大期望值。

在强化学习中，机器基于环境做出行为，正确的行为能够获得奖励。

以获得更多奖励为目标，实现机器与环境的最优互动。

如教狗子握手的时候，如果狗子正确握手，就能得到骨头奖励，不握手就没有。

如果咬了主人一口，还会受到惩罚。

长此以往，狗子为了得到更多骨头，就能学会握手这个技能。

强化学习和机器学习最大不同在于，环境未知。

因为环境未知，所以我们不能通过大量数据得到决策。

只能通过和环境的交互中，不断改进策略。

强化学习的发展历史：

• 动态规划：学过数据结构与算法的人，都了解，是传统算法策略中最难的，千变万化。
• 表格方法：时序差分、Q-Learning 、SARSA
• 函数逼近：线性函数逼近、多项式函数逼近、基函数逼近
• 深度强化学习：DQN、DDPG、AlphaStar、A2C、A3C、PPO

强化学习可分为离散、连续场景。

离散场景，使用行为价值方法

离散场景：机器行为的有限的，如动作类游戏。只有向上、向下、向左、向右这 4 个动作，移动也只能一格一格地走。

可以把每个状态下的所有行为列举出来，用评论家为每个行为打分，通过选择最高分的行为实现最优互动。

因为需要评估每个行为的价值，所以这种学习方法被称为基于行为价值的方法。

基于值的方法需要根据每个行为的价值进行打分，选出价值最高的行为。

由于要穷举出所有行为，因此它只适用于离散场景（动作类游戏），无法应对连续场景。

Q-Learning 和 DQN 算法，都属于基于值的强化学习方法。

优势在于，基于行为价值的方法能实时反馈。

可以根据每个行为的价值进行打分，这个分数就相当于每个行为的实时反馈。

连续场景，使用概率分布方法

连续场景：机器的行为是连贯的，如赛车的方向盘转动角度可以在一定区间内任意取值，角度之间可以无限分割。

还有基于行为概率的方法，无需根据每个行为的价值来打分，可以很好地胜任连续场景。

基于行为概率策略的方法并不需要考虑行为的价值，而是反应调整。

机器会在训练过程中随机抽取一些行为，与环境互动。如果行为获得了奖励，就会提高选择它的概率。以后遇到同样的状态时，有更高的概率再次做出这个行为。

相反，如果未获得奖励，或者受到了惩罚，就保持或者降低该行为的概率。

经过大量训练，最终会得出连续行为的概率分布。

基于这样的原理，一个行为能获得越多奖励，被选择的概率就越大，从而实现机器和环境的最优化互动。

PPO、演员-评论家 就是能处理连续场景的算法。

优势在于，基于策略的方法能应用连续场景上。但不能实时反馈。

实时反馈连续场景：使用概率分布 + 行为价值方法

机器在与环境互动时，难以得到实时反馈，往往要在整个回合结束后才能获得奖励。

如赢一盘棋是正向奖励，输一盘棋是负面奖励，但棋局中某一颗棋子的价值很难即时评估。

想要提高学习效率，就必须想办法提供实时反馈。

有没有办法可以在应对连续场景上的优点，和离散场景在实时反馈上的优点结合呢？

比如演员-评论家算法。

这个算法分成两半，一半是演员，另一半是评论家。

• 演员：这一半基于概率分布，策略梯度算法。它有一个神经网络，可以根据行为的概率，选出行为。

• 评论家：这一半基于行为价值，DQN 算法。它有一个神经网络，可以根据行为的价值进行打分。

将概率分布和行为价值的方法相结合：

• 由基于概率分布的策略网络在连续场景中选出行为
• 由基于行为价值的价值网络给行为提供实时反馈

概率分布网络就像写作业的学生，行为价值网络就像批改作业的老师。

二者结合，反复地写作业、改作业，对比方法，找出最好的方法。

?

---

强化学习六要素

强化学习六要素：环境、策略、状态、行为、奖励、评论家。

如在对弈的环境中，策略根据棋盘上的状态，做出落子行为，每盘棋的胜负获得奖励。

模拟足够多棋局后，评论家就可以通过计算预测出每步棋对整盘棋的价值，为其打分。

在强化学习中，容易混淆的概念有：状态奖励函数、状态价值函数、动作奖励函数、动作价值函数。

设计奖励函数

奖励函数直接与环境相连，为算法提供即时的反馈。

奖励函数有两种类型：

• 状态奖励函数：为智能体到达或处于特定状态时提供的即时奖励。如走迷宫，到达出口可能立即给予正奖励。

• 动作奖励函数：为执行特定动作而提供的即时奖励。如下棋，吃掉对方的重要棋子可能立即获得奖励。

设计评论家

评论家（或价值函数）在强化学习中用于评估和指导策略的长期效益，基于累积奖励的概念。

• 状态价值函数（V）：评估处于某一特定状态的长期价值。这涉及对从该状态开始，未来可能获得的所有奖励的估计。
• 动作价值函数（Q）：评估在特定状态下执行特定动作的长期价值。这不仅包括即时奖励，还包括因该动作产生的后续状态和未来可能的奖励。

状态奖励函数、状态价值函数关注到达某状态的价值 - 前者是当下回报、后者是长期回报。

动作奖励函数、动作价值函数关注执行某动作的价值 - 前者是当下回报、后者是长期回报。

奖励函数提供即时反馈，价值函数预估长期收益。

策略学习与优化

通过与环境的交互，不断更新策略和价值函数来改进决策。

• 学习：根据奖励和评论家的反馈，调整策略和价值函数。
• 探索与利用：平衡 是尝试新动作（探索更好的动作）还是 利用已知的好动作（利用已知最好）。

算法路径

深度 Q 网络 DQN

记录于 — 【OpenAI Q* 超越人类的自主系统】DQN ：Q-Learning + 深度神经网络

演员-评论家算法：多智能体强化学习核心框架

记录于 — 演员-评论家算法：多智能体强化学习核心框架

PPO 近端策略优化算法

记录于 —【ChatGPT 默认强化学习策略】PPO 近端策略优化算法

?

---