强化学习-学习笔记9 | Multi-Step-TD-Target

这篇笔记依然属于TD算法的范畴。Multi-Step-TD-Target 是对 TD算法的改进。

9. Multi-Step-TD-Target

Sarsa
- 训练动作价值函数 \(Q_\pi(s,a)\)；
- TD Target 是 \(y_t = r_t + \gamma\cdot Q_\pi(s_{t+1},a_{t+1})\)
Q-Learning
- 训练最优动作价值函数 Q-star；
- TD Target 是 \(y_t = r_t +\gamma \cdot \mathop{max}\limits_{a} Q^*({s_{t+1}},a)\)
注意，两种算法的 TD Target 的 r 部分都只有一个奖励 \(r_t\)
如果用多个奖励，那么 RL 的效果会更好；Multi-Step-TD-Target就是基于这种考虑提出的。

在第一篇强化学习的基础概念篇中，就提到过，agent 会观测到以下这个轨迹：

我们之前只使用一个 transition 来记录动作、奖励，并且更新 TD-Target。一个 transition 包括\((s_t,a_t,s_{t+1},r_t)\)，只有一个奖励 \(r_t\)。（如上图蓝框所示）。

这样算出来的 TD Target 就是 One Step TD Target。

其实我们也可以一次使用多个 transition 中的奖励，得到的 TD Target 就是 Multi-Step-TD-Target。如下图蓝框选择了两个 transition，同理接下来可以选后两个 transition 。

Multi-Step Return.

折扣回报公式为：\(U_t=R_t+\gamma\cdot{U_{t+1}}\)；

这个式子建立了 t 时刻和 t+1 时刻的 U 的关系，为了得到多步折扣回报，我们递归使用这个式子：

\(U_t=R_t+\gamma\cdot{U_{t+1}}\\=R_t+\gamma\cdot(R_{t+1}+\gamma\cdot{U_{t+2}})\\=R_t+\gamma\cdot{R_{t+1}}+\gamma^2\cdot{U_{t+2}}\)

这样，我们就可以包含两个奖励，同理我们可以有三个奖励......递归下去，包含 m个奖励为：

\(U_t=\sum_{i=0}^{m-1}\gamma^i\cdot{R_{t+i}}+\gamma^m\cdot{U_{t+m}}\)

即：回报 \(U_t\) 等于 m 个奖励的加权和，再加上 \(\gamma^m\cdot{U_{t+m}}\)，后面这一项称为 多步回报。

现在我们推出了多步的 \(U_t\) 的公式，进一步可以推出多步 \(y_t\) 的公式，即分别对等式两侧求期望，使随机变量具体化：

Sarsa 的 m-step TD target：

\(y_t=∑_{i=0}^{m−1}\gamma^i\cdot r_{t+i}+\gamma^m\cdot{Q_\pi}(s_{t+m},a_{t+m})\)

注意：m=1 时，就是之前我们熟知的标准 TD Target。

多步的 TD Target 效果要比单步好。
Q-Learning 的 m-step TD target：

\(y_t = \sum_{i=0}^{m-1}\gamma^i{r_{t+i}}+\gamma^m\cdot\mathop{max}\limits_{a} Q^*({s_{t+m}},a)\)

同样，m=1时，就是之前的TD Target。

单步 TD Target 中，只使用一个奖励 \(r_t\)；
如果用多步TD Target，则会使用多个奖励：\(r_t,r_{t+1},...,r_{t+m-1}\)

联想一下第二篇价值学习的旅途的例子，如果真实走过的路程占比越高，不考虑 “成本” 的情况下，对于旅程花费时间的估计可靠性会更高。
m 是一个超参数，需要手动调整，如果调的合适，效果会好很多。