Abstract

强化学习使用训练信息来评估所采取的动作，而非使用正确的动作来指导动作的选择。评估性反馈完全依赖于所采取的动作，而指示性反馈独立于所采取的动作。本章讨论的是在单个状态下学习如何采取动作，即非关联性（nonassociative）。

2.1 A k-armed Bandit Problem

• 问题描述：
  k-摇臂**机可以看做k个*，每个*的奖赏都是从某个固定的概率分布中采样得到的。每一时间步我们只能摇k个*中的一个，即为动作$A_t$At​，所得奖赏$R_t$Rt​为该*被选中后所得到的回报。在有限步内我们希望最大化期望累积奖励。

• 问题表示：
  k个动作中的每一个动作都各自有其期望或平均的奖赏，我们称之为值$value$value。任一动作$a$a的$value$value记为$q_*(a)$q∗​(a)，是$a$a被选择后的期望奖赏：
  
  如果你知道了每个动作的值, 那么只要一直选择值最高$value$value的动作即可。现假设不能确定动作的值, 虽然可能有其估计值。 我们将动作$a$a 在时步t的估计值记为$Q_t(a)$Qt​(a). 我们希望$Q_t(a)$Qt​(a) 尽可能接近$q_*(a)$q∗​(a)。

• 问题难点：
  该问题的难点即exploration和exploitation矛盾问题。每一时间步的时候都会有一个$value$value最大的$action$action，这个$action$action是greedy $action$action，选择这个$action$action(exploitation)满足了我们最大化回报的目的，但是我们并不知道其他的$action$action会不会有更大的回报，选择其他的$action$action(exploration)可能会造成短期的回报减少，但当找到回报更大的$action$action时，我们的长期回报就会增加。

2.2 Action-value Methods

估计动作值的方法, 以及使用估计值来做出动作选择的决策的方法，两者合称为动作值方法。

• 样本平均方法
  
• $\epsilon$ϵ-贪心方法
  在做选择时最简单的方法就是选$value$value最大的$action$action（greedy action）
  $A_t=argmax{Q_t(a)}$At​=argmaxQt​(a)
  而若希望算法能够有一定的探索的能力，则可以引入一个较小的概率$\epsilon$ϵ，使得每一步中有$\epsilon$ϵ概率会不选择贪心动作，二是从所有动作中随机进行选择。

2.3 The 10-armed Testbed

假设10个动作的真实值$q_*(a)$q∗​(a)都是从均值为0方差为1的正态分布中采样得到的（如下图所示），且实际奖赏是从均值为$q_*(a)$q∗​(a)方差为1的正态分布中采样得到的。

使用上述测试工具对贪心方法以及两个$\epsilon$ϵ-贪心方法（$\epsilon$ϵ=0.01及$\epsilon$ϵ=0.1）进行对比，结果如下图所示。

可以看出贪心方法刚开始增长的最快，但在一个很低的水平就趋于平稳。$\epsilon$ϵ=0.1的方法探索更多，能够更早地发现最优动作，但其不会以超过91%的概率选择这一动作。$\epsilon$ϵ=0.01的方法增长缓慢，但最终效果回事最好的一个。因此我们实际上可以随时间逐步减小$\epsilon$ϵ。

$\epsilon$ϵ-贪心方法的优势视具体任务而定。如奖赏方差很大或存在噪声的情况下，智能体需要做更多次探索以发现最优动作，因此$\epsilon$ϵ-贪心方法更具优势。另一方面，若奖赏方差为0，那么贪心方法试过一次后就知道所有动作的真实值，这种情况下贪心方法表现更好。

但即使是在确定性（deterministic）的情况下，探索也能很有优势。例如，假设k-armed bandit是非固定性的（nonstationary），动作的真实值会随着时间变化，这种情况下探索是必要的。因此，强化学习需要对探索与利用的平衡。

2.4 Incremental Implementation

如何使得样本平均值可以更有效的计算出来(常数的内存大小，每步一次计算)：

（$Q_n$Qn​表示在选择了n-1次该动作后其奖赏的估计值）

变化为：

得到范式：

其中[Target - OldEstimate]是估计中的误差(error)。

一个简单的**机算法：

（函数$bandit(a)$bandit(a) 假定为以动作为参数, 返回相应奖赏的函数）

2.5 Tracking a Nonstationary Problem

当奖赏的概率分布会随时间变化时，即非固定性问题，相对于较早的奖赏, 将更多的权重给予较近的奖赏是很有意义的。比较好的解决方法是将步长(α)设为一个常数。

可证权重之和$(1-\alpha)^n+\sum^n_{i=1} \alpha(1-\alpha)^{n-i}=1$(1−α)n+∑i=1n​α(1−α)n−i=1。从式子中我们可以看出由于$1−α≤1$1−α≤1,说明越早的reward的影响力在越小，这种方法也叫exponential recency-weighted average。

不是所有的$\alpha_n(a)$αn​(a) 都确保能收敛。一个随机逼近理论（stochastic approximation theory）中的著名结论, 为我们提供了能以1的概率保证收敛的条件:

我们需要第一个条件来保证这些步长对“最终克服初始条件或随机波动的影响”而言足够大。第二个条件确保最终步长变得足够小以确保收敛。

当$\alpha$α是常数的时候不满足后面的条件所以它是不收敛的。这样的步长是不稳定状态下所需要的。虽然满足上述收敛条件的步长参数序列常常用于理论研究中, 但极少用于实际应用或实证研究中。

两个非常重要的概念：non-deterministic和non-stationary
non-deterministic：action对应的value有一个分布，而不是一个确定的值（这个分布是不变化的）；action的真值不变，但是是不确定的（理解不确定的最简单方法就是认为有一个分布）
non-stationary：action对应value的分布在不断变化，（如果action只对应一个值，那么这个值在不断变化）；action的真值在不断变化（不管是分布变化还是单个值变化）

实际问题多是non-stationary并且non-deterministic。即使environment是stationary and deterministic，exploration也是很必要的，因为the learner faces a set of banditlike decision tasks each of which changes over time as learning proceeds and the agent’s policy changes。说白了就是，即使是完全确定的，也需要探索以便知道其它的action效果，否则怎么确定哪个最优？

2.6 Optimistic Initial Values

之前讨论的所有方法或多或少依赖于初始的动作值的估计值$(Q_1(a))$(Q1​(a))。这些方法因初始的估计值产生了偏差（bias）。对于样本平均方法来说，当所有的动作都被选择了一次后偏差就消失了；但对$\alpha$α值恒定的方法来说，这一偏差会永远存在, 但会随时间逐步减小（见式2.6）。

初始动作值也可以以一种简单的鼓励探索的方式来使用。如在10-摇臂测试中，我们将初始估计值设为+5，则无论开始选择哪个动作，收到的奖赏都会低于初始估计值，所以所有的action都会被尝试。这种方法被称为optimistic initial values，这个方法在稳定的情况下比较有效。

2.7 Upper-Confidence-Bound Action Selection

如果选择的时候更偏向于有潜力成为最优的non-greedy actions会更好，将它们的估值与最大值的差距以及它们估值的不确定性都考虑进来。

其中$\ln t$lnt表示$t$t的自然对数（$e \thickapprox$e≈ 2.71828），$N_t(a)$Nt​(a)表示在时间$t$t之前动作$a$a被选择的次数（2.2节中公式的分母），以及常数$c>0$c>0控制了探索的程度。如果$N_t(a)=0$Nt​(a)=0，那么$a$a被认为是最优动作。

其中平方根项为a value的不确定性或者说是方差。这整个项便是action a可能最大值的上限，c决定了可信度。每次某个action被选择了，那么其不确定性就会降低。相反，当t增加，但是$N_t(a)$Nt​(a)不变其不确定性就会增大。对数的应用则是随着时间的增加，其增长会变小，但是无限的。所有actions都会被选择到，但是随着时间的增加value小的action被选择到的频率就会更小。

2.8 Gradient Bandit Algorithms

在本节中，我们将考虑如何为每一个动作$a$a学得各自实数型的偏好，我们将其记为$H_t(a)$Ht​(a)。偏好是相对的，对比之后才有意义。各动作被选择的概率由如下soft-max分布决定：

（$\pi_t(a)$πt​(a)表示在时间步$t$t采取动作$a$a的可能性）

在每次选择了action $A_t$At​之后$H_t(a)$Ht​(a)的更新如下（梯度上升）：

其中$\alpha > 0$α>0为步长参数，且$\bar{R_t}\in R$Rt​ˉ​∈R，为时步$t$t及之前的所有奖赏的平均，可以如2.4节（如果问题是非固定性的话，那么如2.5节）中所述的那样进行增量式的计算。$\bar{R_t}$Rt​ˉ​这一项是作为比较奖赏的基准线的。如果奖赏高于基准线，那么将来采取动作$A_t$At​的概率增加，反之降低。而未被选择的动作的概率朝相反方向移动。

2.9 Associative Search (Contextual Bandits)

本节主要讨论结合不同的action到不同的场景中去的做法。

举个例子, 假如有数个不同的k-摇臂**机任务, 并且在每一步随机地遇到其中的某一个。因此在每一步**机任务都可能会变动。这看上去像一个简单的、非固定性的k-摇臂**机任务，只是其中真实的动作值在每一步都会随机发生变化。你可以尝试使用本章前面部分所述的、处理非固定性任务的方法，但除非真实的动作值变动得很缓慢，否则这些方法无法表现得好。现在假设，当某一个**机任务被选中时，你被给予了关于**机身份(而非动作值) 的区分线索。比如你面对着一个现实中的*，当其改变各个动作值时其外表的颜色也会发生变化。现在你可以学得一个策略，将由颜色标识的任务，同该任务下最佳的动作关联起来——例如，如果为红色，选择第1条摇臂；如果为绿色，选择第2条摇臂。在正确的策略下，这常常可以做得远比在缺失**机的辨别信息的条件时好。

References

[1] 强化学习导论(Reinforcement Learning: An Introduction)读书笔记(二)：多臂**机(Multi-arm Bandits)：https://blog.csdn.net/y954877035/article/details/54429630
[2] 《reinforcement learning：an introduction》第二章《Multi-arm Bandits》总结：https://blog.csdn.net/mmc2015/article/details/74936739
[3] https://github.com/KunBB/rl-cn