A simple note on the RL used in single-agent and multi-agent.

序列决策

建模序列决策下的智能体，而不仅仅是单一回合或者一次性决策问题
讨论一个
- 完全可观测的随机环境
- 具有马尔科夫转移模型
- 加性奖励
  的序列决策问题，通常包含状态集合、动作集合、转移模型、奖励函数。问题的解即策略。
假如序列没有时间限制，最优策略只与状态有关，与时间无关，则称最优策略是平稳的。

bellman方程，U和Q函数

价值函数（价值函数），代表某一状态/行为序列的奖励综合，U(s0,a0,s1,a0….)，从当前状态和动作s0,a0开始
用加性折扣定义价值，未来的奖励乘gamma递减:
- 因为看重近期奖励
- 如果奖励可以投资，则越早的奖励价值越大
- 等价于每次转移有$1-\gamma$的意外终止
- 满足平稳性，t+1的最佳选择未来也是t的最佳选择未来
- 避免无穷的序列转移
基于价值函数，可以选出当前最佳动作，即在当前状态下，使得当前价值最大的动作（转移的即时奖励+后续的期望折扣价值）
- 这里存在一个期望，因为每个动作都可能到每个状态（概率），因此一个动作的价值是在所有可能的未来状态下累加。
- 价值函数只是状态的函数，已经对所有动作累加求期望
  $\pi^*(s) = \underset{a \in A(s)}{\text{argmax}} \sum_{s^{'}} P(s^{'}|s,a)[R(s,a,s^{'}) + \gamma U(s^{'})]$
同理，价值函数只是状态的函数，已经对所有动作累加求期望，其实就是上式，只不过不是argmax选动作，而是max，这里的解释是：假设agent选择了最佳动作，状态价值是下一次转移的期望奖励加上下一个状态的折扣价值
- 注意两个式子本质是一样的，都是挑动作，都是在所有可能的状态下累加，但这是基于对未来期望的估计，实际执行就是选择一个动作，转移到一个状态。
- 该式即bellman方程
引入Q函数，Q是动作和状态的函数，U仅仅是状态的函数，两者的转换关系如下
$U(s) = \underset{a \in A(s)}{\text{max}} Q(s,a)$
同理也可以写成bellman方程的形式
$Q(s,a) = \sum_{s^{'}} P(s^{'}|s,a)[R(s,a,s^{'}) + \gamma Q(s^{'},a^{'})]$
注意以上讨论的都是最优价值函数和最优q函数，都是取max，即计算最优策略下的return，区别于on-policy价值函数和q函数，计算的是期望

reward shaping

可以通过修改奖励函数R（而不改变最优策略）来使强化学习过程更加稳定
- 约束：避免一些agent套路reward的情况
- 探索：鼓励explore
- 加速：改善奖励稀疏的情况，将任务分解成更小的子任务，从而使得智能体更容易学习
一种常见的修改方式是引入势函数
势函数是一个仅与状态相关的函数$\Phi(s)$（不同于价值函数，与动作状态序列无关，不是消掉动作得到的）
势函数编码了环境本身客观存在的因素，影响了奖励
可以证明，势函数可以为状态s的任意函数，且加入及时奖励时，bellman方程得到的最优策略不变，即当奖励函数改成
$R^{'}(s,a,s^{'}) = R(s,a,s^{'}) + \gamma \Phi(s^{'}) - \Phi(s)$
时，最优策略不变，$Q(s,a)=Q^{‘}(s,a)$

求解MDP

价值迭代

n个状态，bellman方程就有n个方程n个未知数，非线性方程的解析解很难得到，可以通过迭代的方法，随机初始值，再根据邻居的价值更新每个状态的价值，重复直至平衡
引入迭代的timestep i，bellman更新(Bellman Update)如下
$U_{i+1}(s) \leftarrow \underset{a \in A(s)}{\text{max}} \sum_{s^{'}} P(s^{'}|s,a)[R(s,a,s^{'}) + \gamma U_i(s^{'})]$
可以证明：无限次迭代可以保证达到平衡，得到最优策略(前提是即时奖励是正确的)。

策略迭代

有些时候我们并不需要得到精确的价值函数，只要知道哪个动作带来的价值最大即可，这就引出了直接对策略进行迭代优化的思想
.
从某个初始策略开始，交替进行以下两个步骤
- 策略评估：给定策略，计算执行策略后某一时间步每个状态的价值
- 策略改进：基于所有状态价值的一步前瞻（即价值函数bellman方程）来计算新的策略
直到策略改进不对价值产生（足够大）改变
策略评估也是基于bellman方程，只不过不用遍历动作，因为动作已经由策略决定，然后固定当前时间步i策略$\pi_i$，我们可以得到n个方程，求解即可

$U_{i}(s) = \sum_{s^{'}} P(s^{'}|s,\pi_i(s))[R(s,\pi_i(s),s^{'}) + \gamma U_i(s^{'})]$

在状态空间比较大的时候，精确求解比较困难，这时候可以使用修正策略迭代来进行策略评估，即下一时间步的价值函数直接由当前策略计算出，然后反复迭代

$U_{i+1}(s) \leftarrow \sum_{s^{'}} P(s^{'}|s,\pi_i(s))[R(s,\pi_i(s),s^{'}) + \gamma U_i(s^{'})]$

以上都是同步的形式，即每次迭代更新所有状态。事实上可以只更新部分状态，即异步策略迭代
- 好处是可以只专注为某些有效的状态更新策略，有些状态可能无论什么动作都达不到最优解

线性规划

在线算法

价值迭代和策略迭代都是离线的：给定了所有条件/奖励，先生成最优解，然后agent执行
在线算法：agent不是拿到离线解之后再执行，而是在每个决策点即时计算决策。

老虎机问题

POMDP

部分可观测环境的马尔科夫决策过程
因为agent对自己所处的状态不确定（这是部分可观测的定义），所以需要引入一个信念状态，然后agent的决策周期增加了一个环节
- 根据信念状态，执行动作
- 观测感知（证据）
- 基于感知、动作、之前的信念状态，通过某种更新机制得到新的信念
在物理空间状态上求解POMDP可以简化为在信念状态空间上求解MDP
POMDP的价值迭代

Single Agent RL

Agent处在MDP当中，不知道转移模型和奖励函数，需要通过采取行动了解更多信息
上文的序列决策是在已知环境下，如何得到一个最优策略，其实不需要agent的互动。一般而言的强化学习是指环境未知，需要agent在与环境的交互中来得到数据，从而确定最优策略。
基于模型的方法
- 环境提供了转移模型，或者一开始未知环境模型，但是需要去学习
- 通常会学习一个价值函数，定义为状态s之后的奖励总和
- 上文的序列决策都是在基于模型的前提下阐述的
无模型的方法
- 不知道环境的转移模型，而且也不会学习它
- agent直接学习策略，一般通过两种方式来在无模型的前提下学习策略
  - 学习Q函数，即学习处于状态s下采取动作a得到的奖励
  - 直接学习策略$\pi$，即学习状态到动作的映射

被动强化学习

策略固定，学习价值函数
策略固定，比如说贪心的取价值最大的动作，这时候只需要将Q函数学好，策略固定的情况下具体的最优动作也就出来了。
类似于策略评估（给定策略，计算执行策略后某一时间步每个状态的价值），但agent不知道采取动作后到各个状态的转移概率，也不知道即时奖励

直接价值估计

一个状态的价值定义为从该状态出发的期望总奖励（reward-to-go）
每次trial都会在其经过的状态上留下一个价值的数值样本(多次经过一个状态就提供多个样本)
这样就收集了样本，可以使用监督学习学到状态到价值的映射
但是该方法忽略了一个重要约束：状态价值应满足固定策略的bellman方程，即状态的价值和后继状态的奖励和期望价值相关，而不是只取决于自己
这种忽略将导致搜索空间变大，收敛缓慢

自适应动态规划(ADP)

agent学习状态之间转移模型，并用dp解决MDP
在环境确定/可观测的情况下，不断的trial，得到数据，训练一个监督模型，输入当前状态和动作，输出后续状态概率，即转移模型
得到转移模型后，之后按照序列决策的方法，通过修正策略迭代求解MDP
可以看到ADP是需要agent先不断的trial，在环境中得到一系列包含奖励信号的历史数据，然后用这些数据学习到环境的转移模型，将其转化为环境已知的序列决策问题。
自适应动态规划可以看成是策略迭代在被动强化学习设置下的扩展

时序差分学习

在被动强化学习的setting下，即给定策略$\pi$，假如在状态s下采取动作$\pi(s)$转移到了状态$s^{‘}$，则通过时序差分方程更新价值函数:
$U^{\pi}(s) \leftarrow U^{\pi}(s) + \alpha (R(s,\pi(s),s^{'}) + \gamma U^{\pi}(s^{'}) - U^{\pi}(s))$
其中$\alpha$是学习率。对比bellman，时序差分是在观测到在状态s下采取动作a到达了状态s’，就根据这个相继状态之间价值的差分更新价值:
- 差分项是关于误差的信息，更新是为了减少这个误差
- 公式变化后可以看出来是当前价值和奖励+未来折扣价值之间做插值:
  $U^{\pi}(s) \leftarrow (1-\alpha)U^{\pi}(s) + \alpha (R(s,\pi(s),s^{'}) + \gamma U^{\pi}(s^{'}))$
与自适应动态规划的联系与区别：
- 都是根据未来调整当前价值，自适应的未来是在所有可能后继状态上加权求和，而时间差分的未来是观测到的后继
- 自适应尽可能进行多的调整，以保证价值估计和转移模型的一致性；差分对观测到的转移只做单次调整
- TD可以看成一种近似ADP
  - 可以用转移模型生成多个pseudo experience，而不是仅仅只看真实发生的一次转移，这样TD的价值估计会接近ADP
  - prioritized sweeping，对哪些高概率后继状态刚刚经过大调整的状态进行更新
  - TD作为近似ADP的一个优点是，训练刚开始时，转移模型往往学不正确，因此像ADP一样学习一个精确的价值函数来匹配这个转移模型意义不大。

主动强化学习

需要学习策略
需要学习一个完整的转移模型，需要考虑所有的动作，因为策略不固定（未知）
需要考虑，得到最优策略后，简单的执行这个策略就是正确的吗？

引入explore

自适应动态规划是greedy的，需要引入exploration
一个宏观的设计，是引入探索函数f(u,n)，选择价值u较高的即贪心，选择尝试次数n少的即探索

TD Q-learning

一种主动强化学习下的时序差分方法
无需一个学习转移概率的模型，无模型的方法
通过学习动作-价值函数来避免对转移模型本身的需求
$Q(s,a) \leftarrow Q(s,a) + \alpha (R(s,a,s^{'}) + \gamma max_{a^{'}}Q(s^{'},a^{'}) - Q(s,a))$
不需要转移模型P(s’|s,a)
注意因为没有给定策略，这里需要对所有可能动作取max
奖励稀疏时难以学习

Sarsa

即state,action,reward,state,action，sarsa的缩写代表了更新的五元组
$Q(s,a) \leftarrow Q(s,a) + \alpha (R(s,a,s^{'}) + \gamma Q(s^{'},a^{'}) - Q(s,a))$
相比TD Q-learning，不是对所有可能动作取max，而是先执行动作，再根据这个动作更新
如果agent是贪心的，总是执行q-value最大的动作，则sarse和q-learning等价；如果不是贪心，sarsa会惩罚探索时遇到的负面奖励动作
on/off policy
- sarsa是on-policy：“假设我坚持我自己的策略，那么这个动作在该状态下的价值是多少？”
- q-learning是off-policy：“假设我停止使用我正在使用的任何策略，并依据估计选择最佳动作的策略开始行动，那么这个动作在改状态下的价值是多少？”

强化学习中的泛化

价值函数和Q函数都用表格的形式记录，状态空间巨大
要是能参数化，需要学习的参数值可以减少很多
对于被动强化学习，需要根据trials使用监督学习价值函数，这里可以用函数或者NN来参数化。
对于时序差分学习，可以将差分项参数化，通过梯度下降学习
参数化来近似学习价值或者q函数存在几个问题
- 难以收敛
- 灾难性遗忘：可以通过experience replay，保存轨迹进行回放，确保agent不再访问的那部分状态空间上的价值函数仍然准确
奖励函数设计，如何解决稀疏奖励？
- 问题：credit assignment，最后的正面或者负面奖励应该归因到哪次动作上
- 可以通过修改奖励函数（reward shaping）来提供一些中间奖励，势函数就是一个例子，势反映了我们所希望的部分状态（某个子目标的实现、离最终希望的终止状态的某种可度量的距离）
另一种方案是分层强化学习，TBD

策略搜索

只要策略的表现有所改进，就继续调整策略
策略是一个状态到动作的映射函数
将策略参数化表达，尽管可以通过优化q函数得到，但并不一定得到最优的q函数或者价值估计，因为策略搜索只在乎策略是否最优
直接学习Q值，然后argmax Q值得到策略会存在离散不可导问题，这时将Q值作为logits，用softmax表示动作概率，用类似gumbel-softmax使得策略连续可导
假如执行策略所得到的期望奖励可以写成关于参数的表达式，则可以使用策略梯度直接优化；否则可以通过执行策略观测累计的奖励来计算表达式，通过经验梯度优化
考虑最简单的只有一次动作的情况，策略梯度可以写成下式，即对各个动作的奖励按其策略概率加权求和，并对策略参数求导。
$\triangledown_{\theta}\sum_aR(s_0,a,s_0)\pi_{\theta}(s_0,a)$
将这个求和用策略所定义的概率分布生成的样本来近似，并且扩展到时序状态，就得到了REINFORCE算法，这里用N次trial近似策略概率加权求和，并且将单步奖励扩展到价值函数，状态也扩展到整个环境的状态集合：
$\frac1N \sum_{j=1}^N\frac{u_j(s)\triangledown_{\theta}\pi_{\theta}(s,a_j)}{\pi_{\theta}(s,a_j)}$

MARL (Multi-Agent Rl)

先挖坑

Thinkwee's Blog

Multi-agent Reinforcement Learning Notes