【读书笔记】Algorithms for Decision Making(8)

简介: 解决存在模型不确定性的此类问题是强化学习领域的主题,这是这部分的重点。解决模型不确定性的几个挑战:首先,智能体必须仔细平衡环境探索和利用通过经验获得的知识。第二,在做出重要决策后很长时间内,可能会收到奖励,因此必须将以后奖励的学分分配给以前的决策。第三,智能体必须从有限的经验中进行概括。

三、模型不确定性(1)

解决存在模型不确定性的此类问题是强化学习领域的主题,这是这部分的重点。解决模型不确定性的几个挑战:首先,智能体必须仔细平衡环境探索和利用通过经验获得的知识。第二,在做出重要决策后很长时间内,可能会收到奖励,因此必须将以后奖励的学分分配给以前的决策。第三,智能体必须从有限的经验中进行概括。


1. Exploration and Exploitation

exploration of the environment with exploitation of knowledge

1.1 Bandit Problems

最简单的建模单臂老虎机问题( one-armed bandits ),实际中的问题一般建模为多臂老虎机问题(multiarmed bandit problems)。

如果考虑一个简化的多臂老虎机问题,即每一个臂在做决策时给出一个二元结果。这样的问题可以看作一个$h$步,一状态,$n$ 行动且具有随机回报的MDP(马尔可夫决策问题)。
在这里插入图片描述

struct BanditProblem
    θ # vector of payoff probabilities
    R # reward sampler
end

function BanditProblem(θ)
    R(a) = rand() < θ[a] ? 1 : 0
    return BanditProblem(θ, R)
end

function simulate(𝒫::BanditProblem, model, π, h)
    for i in 1:h
        a = π(model)
        r = 𝒫.R(a)
        update!(model, a, r)
    end
end

1.2 贝叶斯模型估计

在贝叶斯推断中,Beta分布是Bernoulli、二项分布、负二项分布和几何分布的共轭先验分布。在此处,将其视为臂成功概率的先验分布,进而进行模型估计。

struct BanditModel
    B # vector of beta distributions
end

function update!(model::BanditModel, a, r)
    α, β = StatsBase.params(model.B[a])
    model.B[a] = Beta(α + r, β + (1-r))
    return model
end

1.3 Exploration 策略

  • 不定向Exploration 策略:该策略中,不使用之前的输出信息指导非贪婪行动对环境的exploration。

    • $\epsilon$-greedy exploration:以$\epsilon$概率选择一条随机臂,或者选择一条先验概率最大的贪婪臂。
    mutable struct EpsilonGreedyExploration
        ϵ # probability of random arm
    end
    
    function (π::EpsilonGreedyExploration)(model::BanditModel)
        if rand() < π.ϵ
            return rand(eachindex(model.B))
        else
            return argmax(mean.(model.B))
        end
    end
    • explore-then-commit exploration:对前$k$个时间步均匀随机选择动作,然后选择贪婪行动。
    mutable struct ExploreThenCommitExploration
        k # pulls remaining until commitment
    end
    
    function (π::ExploreThenCommitExploration)(model::BanditModel)
        if π.k > 0
            π.k -= 1
            return rand(eachindex(model.B))
        end
        return argmax(mean.(model.B))
    end
  • 定向Exploration 策略

    • softmax 策略
    mutable struct SoftmaxExploration
        λ # precision parameter
        α # precision factor
    end
    
    function (π::SoftmaxExploration)(model::BanditModel)
        weights = exp.(π.λ * mean.(model.B))
        π.λ *= π.α
        return rand(Categorical(normalize(weights, 1)))
    end
    • optimism under uncertainty
    mutable struct QuantileExploration
        α # quantile (e.g., 0.95)
    end
    
    function (π::QuantileExploration)(model::BanditModel)
        return argmax([quantile(B, π.α) for B in model.B])
    end
    • UCB1 exploration
    mutable struct UCB1Exploration
        c # exploration constant
    end
    
    function bonus(π::UCB1Exploration, B, a)
        N = sum(b.α + b.β for b in B)
        Na = B[a].α + B[a].β
        return π.c * sqrt(log(N)/Na)
    end
    
    function (π::UCB1Exploration)(model::BanditModel)
        B = model.B
        ρ = mean.(B)
        u = ρ .+ [bonus(π, B, a) for a in eachindex(B)]
        return argmax(u)
    end
    • posterior sampling/randomized probability matching/Thompson sampling
    struct PosteriorSamplingExploration 
    end
    
    (π::PosteriorSamplingExploration)(model::BanditModel) = argmax(rand.(model.B))
  • 最优Exploration 策略:与臂a相关的beta分布的参数表示为$(w_{1}, \ell_{1})$,最优效用函数与最优策略可根据期望回报表示为$$\begin{align*}\mathcal{U}^{\ast} (w_{1}, \ell_{1}, \cdots, w_{n}, \ell_{n}) & = \max_{a} Q^{\ast} (w_{1}, \ell_{1}, \cdots, w_{n}, \ell_{n}, a), \\ \pi^{\ast} (w_{1}, \ell_{1}, \cdots, w_{n}, \ell_{n}) & = \argmax_{a} Q^{\ast} (w_{1}, \ell_{1}, \cdots, w_{n}, \ell_{n}, a).\end{align*}$$

2. 基于模型的方法

本部分讨论了最大似然和贝叶斯法,通过与环境的交互来学习潜在的动态和回报。

2.1 最大似然法

最大似然法计算状态转换,记录收到的奖励金额以估计模型参数。该方法可用于生成价值函数估计,该估计与exploration策略一起生成行动。

记录转换计数$N(s, a, s^{\prime})$,表示在采取行动$a$时观察到从$s$到$s^{\prime}$转换的次数。给定这些转换计数,转换函数的最大似然估计为$$T(s^{\prime} \mid s, a) \approx \frac{N(s, a, s^{\prime})}{N(s, a)},$$此处$N(s, a) = \sum_{s^{\prime}} N(s, a, s^{\prime})$。

奖励函数也可以估计。当收到奖励时,更新$\rho(s, a)$,即在状态$s$中采取行动$a$时获得的所有奖励的总和。奖励函数的最大似然估计值为平均奖励$$R(s, a) \approx \frac{\rho(s, a)}{N(s, a)}.$$

mutable struct MaximumLikelihoodMDP
    𝒮 # state space (assumes 1:nstates)
    𝒜 # action space (assumes 1:nactions)
    N # transition count N(s,a,s′)
    ρ # reward sum ρ(s, a)
    γ # discount
    U # value function
    planner
end

function lookahead(model::MaximumLikelihoodMDP, s, a)
    𝒮, U, γ = model.𝒮, model.U, model.γ
    n = sum(model.N[s,a,:])
    if n == 0
        return 0.0
    end
    r = model.ρ[s, a] / n
    T(s,a,s′) = model.N[s,a,s′] / n
    return r + γ * sum(T(s,a,s′)*U[s′] for s′ in 𝒮)
end

function backup(model::MaximumLikelihoodMDP, U, s)
    return maximum(lookahead(model, s, a) for a in model.𝒜)
end

function update!(model::MaximumLikelihoodMDP, s, a, r, s′)
    model.N[s,a,s′] += 1
    model.ρ[s,a] += r
    update!(model.planner, model, s, a, r, s′)
    return model
end

2.1.1 更新策略

struct FullUpdate end

function update!(planner::FullUpdate, model, s, a, r, s′)
    𝒫 = MDP(model)
    U = solve(𝒫).U
    copy!(model.U, U)
    return planner
end
struct RandomizedUpdate
    m # number of updates
end

function update!(planner::RandomizedUpdate, model, s, a, r, s′)
    U = model.U
    U[s] = backup(model, U, s)
    for i in 1:planner.m
        s = rand(model.𝒮)
    U[s] = backup(model, U, s)
    end
    return planner
end
struct PrioritizedUpdate
    m # number of updates
    pq # priority queue
end

function update!(planner::PrioritizedUpdate, model, s)
    N, U, pq = model.N, model.U, planner.pq
    𝒮, 𝒜 = model.𝒮, model.𝒜
    u = U[s]
    U[s] = backup(model, U, s)
    for s⁻ in 𝒮
        for a⁻ in 𝒜
            n_sa = sum(N[s⁻,a⁻,s′] for s′ in 𝒮)
            if n_sa > 0
                T = N[s⁻,a⁻,s] / n_sa
                priority = T * abs(U[s] - u)
                if priority > 0
                    pq[s⁻] = max(get(pq, s⁻, 0.0), priority)
                end
            end
        end
    end
    return planner
end

function update!(planner::PrioritizedUpdate, model, s, a, r, s′)
    planner.pq[s] = Inf
    for i in 1:planner.m
        if isempty(planner.pq)
            break
        end
        update!(planner, model, dequeue!(planner.pq))
    end
    return planner
end

2.1.2 Exploration

例如上部分提到的方法,如下:

function (π::EpsilonGreedyExploration)(model, s)
    𝒜, ϵ = model.𝒜, π.ϵ
    if rand() < ϵ
        return rand(𝒜)
    end
    Q(s,a) = lookahead(model, s, a)
    return argmax(a->Q(s,a), 𝒜)
end

为了避免陷入局部探索,还可使用:

mutable struct RmaxMDP
    𝒮 # state space (assumes 1:nstates)
    𝒜 # action space (assumes 1:nactions)
    N # transition count N(s,a,s′)
    ρ # reward sum ρ(s, a)
    γ # discount
    U # value function
    planner
    m # count threshold
    rmax # maximum reward
end

function lookahead(model::RmaxMDP, s, a)
    𝒮, U, γ = model.𝒮, model.U, model.γ
    n = sum(model.N[s,a,:])
    if n < model.m
        return model.rmax / (1-γ)
    end
    r = model.ρ[s, a] / n
    T(s,a,s′) = model.N[s,a,s′] / n
    return r + γ * sum(T(s,a,s′)*U[s′] for s′ in 𝒮)
end

function backup(model::RmaxMDP, U, s)
    return maximum(lookahead(model, s, a) for a in model.𝒜)
end

function update!(model::RmaxMDP, s, a, r, s′)
    model.N[s,a,s′] += 1
    model.ρ[s,a] += r
    update!(model.planner, model, s, a, r, s′)
    return model
end

function MDP(model::RmaxMDP)
    N, ρ, 𝒮, 𝒜, γ = model.N, model.ρ, model.𝒮, model.𝒜, model.γ
    T, R, m, rmax = similar(N), similar(ρ), model.m, model.rmax
    for s in 𝒮
        for a in 𝒜
            n = sum(N[s,a,:])
            if n < m
                T[s,a,:] .= 0.0
                T[s,a,s] = 1.0
                R[s,a] = rmax
            else
                T[s,a,:] = N[s,a,:] / n
                R[s,a] = ρ[s,a] / n
            end
        end
    end
    return MDP(T, R, γ)
end

2.2 贝叶斯法

贝叶斯法计算模型参数的后验分布,通过后验采样获得合理的近似值。
在这里插入图片描述

mutable struct BayesianMDP
    𝒮 # state space (assumes 1:nstates)
    𝒜 # action space (assumes 1:nactions)
    D # Dirichlet distributions D[s,a]
    R # reward function as matrix (not estimated)
    γ # discount
    U # value function
    planner
end

function lookahead(model::BayesianMDP, s, a)
    𝒮, U, γ = model.𝒮, model.U, model.γ
    n = sum(model.D[s,a].alpha)
    if n == 0
        return 0.0
    end
    r = model.R(s,a)
    T(s,a,s′) = model.D[s,a].alpha[s′] / n
    return r + γ * sum(T(s,a,s′)*U[s′] for s′ in 𝒮)
end

function update!(model::BayesianMDP, s, a, r, s′)
    α = model.D[s,a].alpha
    α[s′] += 1
    model.D[s,a] = Dirichlet(α)
    update!(model.planner, model, s, a, r, s′)
    return model
end

2.2.1 贝叶斯自适应马尔可夫决策过程

将具有未知模型的MDP中的最优行为问题表述为具有已知模型的高维MDP,该MDP被称为贝叶斯自适应马尔可夫决策过程。

状态空间表示为$\mathcal{S} \times \mathcal{B}$,其中$\mathcal{B}$是模型参数$\theta$的可能置信空间。在每次迭代过程中的$s \to (s, b)$。

2.2.2 后验采样

struct PosteriorSamplingUpdate end

function Base.rand(model::BayesianMDP)
    𝒮, 𝒜 = model.𝒮, model.𝒜
    T = zeros(length(𝒮), length(𝒜), length(𝒮))
    for s in 𝒮
        for a in 𝒜
            T[s,a,:] = rand(model.D[s,a])
        end
    end
    return MDP(T, model.R, model.γ)
end

function update!(planner::PosteriorSamplingUpdate, model, s, a, r, s′)
    𝒫 = rand(model)
    U = solve(𝒫).U
    copy!(model.U, U)
end

后验采样通过求解从置信状态采样的MDP,而不是推理所有可能的MDP来降低求解Bayes自适应MDP的高计算复杂性。


相关文章
|
Java Linux
linux服务器解压zip文件
linux服务器解压zip文件
674 0
|
8月前
|
JavaScript 开发者 索引
鸿蒙应用开发从入门到实战(九):ArkTS渲染控制
ArkTS拓展了TypeScript,可以结合ArkUI进行渲染控制,是的界面设计具有可编程性。本文简要描述鸿蒙应用开发中的条件渲染和循环渲染。
355 5
|
9月前
|
iOS开发 开发者
发现一款宝藏工具:Shots.so,几秒钟做出高级感 Mockup
这篇文章介绍了Shots.so这个在线工具,它能将普通截图转化为高质量的效果图,适用于设计展示、文章配图、产品宣传等场景,提供多种设备模板、背景风格和动态效果,操作简单,适合各类用户提升作品质感。
633 2
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
深度解码!融和型AI如何驱动储能行业的智能化变革
人工智能技术正深刻变革储能行业,助力企业优化管理、降低成本并提升市场竞争力。通过动态充放电策略、电池健康管理及融合型AI应用,储能系统实现智能化升级,推动能源转型与新型电力系统建设。
783 0
|
6月前
|
人工智能 安全 算法
当AI开始一本正经“胡说八道”,我们该怎么办?——聊聊大模型安全与反“幻觉”技术
当AI开始一本正经“胡说八道”,我们该怎么办?——聊聊大模型安全与反“幻觉”技术
749 7
|
8月前
|
定位技术
基于vue3.5+vite7+element-plus网页聊天系统
最新版vite7.1+vue3.5+element-plus仿微信web网页版聊天vite7-webchat。
461 4
|
安全 数据处理 数据安全/隐私保护
C/S架构与B/S架构的适用场景分析
C/S架构(客户端/服务器架构)与B/S架构(浏览器/服务器架构)在适用场景上各有特点,主要取决于应用的具体需求、用户群体、系统维护成本、跨平台需求等因素。
1541 6
|
Windows
如何轻松解决C盘爆满情况——SpaceSniffer
如何轻松解决C盘爆满情况——SpaceSniffer
1251 0
|
存储 编解码 数据管理
Photoshop最新版PS2024安装使用 Ver25.0.0
Photoshop最新版PS2024安装使用 Ver25.0.0
1841 0
Photoshop最新版PS2024安装使用 Ver25.0.0
|
应用服务中间件 Linux nginx
FFmpeg开发笔记(四十)Nginx集成rtmp模块实现RTMP推拉流
《FFmpeg开发实战》书中介绍了如何使用FFmpeg向网络推流,简单流媒体服务器MediaMTX不适用于复杂业务。nginx-rtmp是Nginx的RTMP模块,提供基本流媒体服务。要在Linux上集成rtmp,需从官方下载nginx和nginx-rtmp-module源码,解压后在nginx目录配置并添加rtmp模块,编译安装。配置nginx.conf启用RTMP服务,监听1935端口。使用ffmpeg推流测试,如能通过VLC播放,表明nginx-rtmp运行正常。更多详情见书本。
853 0
FFmpeg开发笔记(四十)Nginx集成rtmp模块实现RTMP推拉流