人工智能之TD Learning算法
加入技術(shù)交流群
人工智能機(jī)器學(xué)習(xí)有關(guān)算法內(nèi)容，請參見公眾號“科技優(yōu)化生活”之前相關(guān)文章。人工智能之機(jī)器學(xué)習(xí)主要有三大類：1)分類;2)回歸;3)聚類。今天我們重點探討一下TD Learning算法。 ^_^
本文引用地址：http://www.biyoush.com/article/201806/381804.htmTD Learning時序差分學(xué)習(xí)結(jié)合了動態(tài)規(guī)劃DP和蒙特卡洛MC(請參見人工智能(31))方法，且兼具兩種算法的優(yōu)點，是強(qiáng)化學(xué)習(xí)的核心思想。
雖然蒙特卡羅MC方法僅在最終結(jié)果已知時才調(diào)整其估計值，但TD Learning時序差分學(xué)習(xí)調(diào)整預(yù)測以匹配后，更準(zhǔn)確地預(yù)測最終結(jié)果之前的未來預(yù)測。
TD Learning算法概念：
TD Learning(Temporal-Difference Learning) 時序差分學(xué)習(xí)指的是一類無模型的強(qiáng)化學(xué)習(xí)方法，它是從當(dāng)前價值函數(shù)估計的自舉過程中學(xué)習(xí)的。這些方法從環(huán)境中取樣，如蒙特卡洛方法，并基于當(dāng)前估計執(zhí)行更新，如動態(tài)規(guī)劃方法。
TD Learning算法本質(zhì)：
TD Learning(Temporal-DifferenceLearning)時序差分學(xué)習(xí)結(jié)合了動態(tài)規(guī)劃和蒙特卡洛方法，是強(qiáng)化學(xué)習(xí)的核心思想。
時序差分不好理解。改為當(dāng)時差分學(xué)習(xí)比較形象一些，表示通過當(dāng)前的差分?jǐn)?shù)據(jù)來學(xué)習(xí)。
蒙特卡洛MC方法是模擬(或者經(jīng)歷)一段序列或情節(jié)，在序列或情節(jié)結(jié)束后，根據(jù)序列或情節(jié)上各個狀態(tài)的價值，來估計狀態(tài)價值。TD Learning時序差分學(xué)習(xí)是模擬(或者經(jīng)歷)一段序列或情節(jié)，每行動一步(或者幾步)，根據(jù)新狀態(tài)的價值，然后估計執(zhí)行前的狀態(tài)價值?？梢哉J(rèn)為蒙特卡洛MC方法是最大步數(shù)的TD Learning時序差分學(xué)習(xí)。
TD Learning算法描述：
如果可以計算出策略價值(π狀態(tài)價值vπ(s)，或者行動價值qπ(s，a))，就可以優(yōu)化策略。
在蒙特卡洛方法中，計算策略的價值，需要完成一個情節(jié)，通過情節(jié)的目標(biāo)價值Gt來計算狀態(tài)的價值。其公式：
MC公式：
V(St)←V(St)+αδt
δt=[Gt?V(St)]
這里：
δt – MC誤差
α – MC學(xué)習(xí)步長
TD Learning公式：
V(St)←V(St)+αδt
δt=[Rt+1+γV(St+1)?V(St)]
這里：
δt – TD Learning誤差
α – TD Learning步長
γ – TD Learning報酬貼現(xiàn)率
TD Learning時間差分方法的目標(biāo)為Rt+1+γ V(St+1)，若V(St+1) 采用真實值，則TD Learning時間差分方法估計也是無偏估計，然而在試驗中V(St+1) 用的也是估計值，因此TD Learning時間差分方法屬于有偏估計。然而，跟蒙特卡羅MC方法相比，TD Learning時間差分方法只用到了一步隨機(jī)狀態(tài)和動作，因此TD Learning時間差分方法目標(biāo)的隨機(jī)性比蒙特卡羅MC方法中的Gt 要小，因此其方差也比蒙特卡羅MC方法的方差小。
TD Learning分類：
1)策略狀態(tài)價值vπ的時序差分學(xué)習(xí)方法(單步多步)
2)策略行動價值qπ的on-policy時序差分學(xué)習(xí)方法： Sarsa(單步多步)
3)策略行動價值qπ的off-policy時序差分學(xué)習(xí)方法： Q-learning(單步)，Double Q-learning(單步)
4)策略行動價值qπ的off-policy時序差分學(xué)習(xí)方法(帶importance sampling)： Sarsa(多步)
5)策略行動價值qπ的off-policy時序差分學(xué)習(xí)方法(不帶importance sampling)： Tree Backup Algorithm(多步)
6)策略行動價值qπ的off-policy時序差分學(xué)習(xí)方法： Q(σ)(多步)
TD Learning算法流程：
1)單步TD Learning時序差分學(xué)習(xí)方法：
InitializeV(s) arbitrarily ?s∈S+
Repeat(for each episode)：
?Initialize S
?Repeat (for each step of episode)：
?? A←actiongiven by π for S
??Take action A， observe R，S′
??V(S)←V(S)+α[R+γV(S′)?V(S)]
?? S←S′
?Until S is terminal
2)多步TD Learning時序差分學(xué)習(xí)方法：
Input：the policy π to be evaluated
InitializeV(s) arbitrarily ?s∈S
Parameters：step size α∈(0，1]， a positive integer n
Allstore and access operations (for St and Rt) can take their index mod n
Repeat(for each episode)：
?Initialize and store S0≠terminal
? T←∞
? Fort=0，1，2，?：
?? Ift<tt<t， p="" then：
???Take an action according to π( ˙|St)
???Observe and store the next reward as Rt+1 and the next state as St+1
???If St+1 is terminal， then T←t+1
?? τ←t?n+1(τ is the time whose state's estimate is being updated)
?? Ifτ≥0τ≥0：
??? G←∑min(τ+n，T)i=τ+1γi?τ?1Ri
???if τ+n≤Tτ+n≤T then： G←G+γnV(Sτ+n)(G(n)τ)
???V(Sτ)←V(Sτ)+α[G?V(Sτ)]
?Until τ=T?1
注意：V(S0)是由V(S0)，V(S1)，…，V(Sn)計算所得;V(S1)是由V(S1)，V(S1)，…，V(Sn+1)計算所得。
TD Learning理論基礎(chǔ)：
TD Learning理論基礎(chǔ)如下：
1)蒙特卡羅方法
2)動態(tài)規(guī)劃
3)信號系統(tǒng)
TD Learning算法優(yōu)點：
1)不需要環(huán)境的模型;
2)可以采用在線的、完全增量式的實現(xiàn)方式;
3)不需等到最終的真實結(jié)果;
4)不局限于episode task;
5)可以用于連續(xù)任務(wù);
6)可以保證收斂到 vπ，收斂速度較快。
TD Learning算法缺點：
1) 對初始值比較敏感;
2) 并非總是用函數(shù)逼近。
TD Learning算法應(yīng)用：
從應(yīng)用角度看，TD Learning應(yīng)用領(lǐng)域與應(yīng)用前景都是非常廣闊的，目前主要應(yīng)用于動態(tài)系統(tǒng)、機(jī)器人控制及其他需要進(jìn)行系統(tǒng)控制的領(lǐng)域。
結(jié)語：
TD Learning是結(jié)合了動態(tài)規(guī)劃DP和蒙特卡洛MC方法，并兼具兩種算法的優(yōu)點，是強(qiáng)化學(xué)習(xí)的中心。TD Learning不需要環(huán)境的動態(tài)模型，直接從經(jīng)驗經(jīng)歷中學(xué)習(xí);也不需要等到最終的結(jié)果才更新模型，它可以基于其他估計值來更新估計值。輸入數(shù)據(jù)可以刺激模型并且使模型做出反應(yīng)。反饋不僅從監(jiān)督學(xué)習(xí)的學(xué)習(xí)過程中得到，還從環(huán)境中的獎勵或懲罰中得到。TD Learning算法已經(jīng)被廣泛應(yīng)用于動態(tài)系統(tǒng)、機(jī)器人控制及其他需要進(jìn)行系統(tǒng)控制的領(lǐng)域。
評論