David Silver《Reinforcement Learning》课程解读—— Lecture 3： Planning by Dynamic Programming

DP用来解决MDPs的planning问题，主要解决途径有policy iteration和value iteration。

目录：

IntroductionPolicy EvaluationPolicy IterationValue IterationExtensions to Dynamic ProgrammingContract Mapping

---

1. Introduction：DP（Dynamic Programming）

定义 解决复杂问题的一种方法。将多阶过程分解为一些列单阶段问题，逐个求解，最后结合起来以解决这类过程优化问题。同时，将这些子问题的解保存起来，如果下一次遇到了相同的子问题，则不需要重新计算子问题的解。DP主要用于解决含有以下两点特性的问题 最优子结构：最优解能被分解为子问题，最优应用原则覆盖子问题：子问题多次出现，子问题的解可以被缓存和重复利用MDPs满足上述两条性质 贝尔曼等式给出递归分解形式，可以切分成子问题。值函数存储和重复利用可行解，即保存了子问题的解 => 可以通过DP求解MDPs应用：用于MDP中的决策问题 针对MDP，切分的子问题就是在每个状态下应该选择哪个action。同时，这一时刻的子问题取决于上一时刻的子问题选择了哪个action。 用于预测 输入：MDP ⟨S,a,P,R,γ⟩ 和policy π or MRP ⟨S,Pπ,Rπ,γ⟩输出：value function vπ 用于控制 输入：MDP ⟨S,a,P,R,γ⟩ 输出：optimal value function v∗ ，optimal policy π∗ 。其他应用 scheduling algorithmsstring algorithmsgraphical models

注意：当已知MDPs的状态转移矩阵时，环境模型就已知了，此时可看为planning问题。

---

2. Policy Evaluation

基于当前的policy计算出每个状态的value function。

Iterative Policy Evaluation，策略迭代估计 问题：评估一个给定的策略解决方法：迭代，贝尔曼期望备份， v1→v2→⋯→vπ 采用同步备份

---

3. Policy Iteration

解决过程分为2步

policy evaluation 基于当前的policy计算每个状态的value function

Policy Improvement 基于当前的value function，采用贪心算法来找到当前最优秀的policy

eg： Given a policy π

evaluate the policy π： vπ(s)=E[Rt+1+γRt+2+⋯|St=s]

improve the policy by acting greedy with respect to vπ ： π′=greedy(vπ)

注意：该策略略迭代过程总是会收敛到最优策略 π∗ 。

---

4. Value Iteration

Value Iteration in MDPs 最优化原理：当且仅当任何从状态s能达到的状态s’都能在当前状态下取得最优的value时，那么状态s也能在当前的policy下获得最优的value。即 vπ(s)=v∗(s) 。

任何最优策略都可以被细分为两部分：

最优的第一个action A∗ 接下来后续状态s’下的最优策略

Deterministic Value Iteration 如果已知子问题的最优解 v∗(s′) ，则可以通过第一个Bellman Optimality Equation将 v∗(s) 也求出来，因此从终点向起点推导就可以推出所有的状态最优值。

v∗(s)← maxa∈ARsa+γ∑s′∈SPss′av∗(s′) Value Iteration通过迭代的方法，通过这一步的 vk(s′) 更新下一步的 vk+1(s) ，不断迭代，最终收敛到最优的 v∗ 。

*注意：中间生成的value function不对应任何policy。

Policy Iteration和Value Iteration有什么本质区别？为什么一个叫policy iteration，一个叫value iteration呢？ 原因其实很好理解，policy iteration使用bellman方程来更新value，最后收敛的value 即 vπ 是当前policy下的value值（所以叫做对policy进行评估），目的是为了后面的policy improvement得到新的policy。而value iteration是使用bellman 最优方程来更新value，最后收敛得到的value即 v∗ 就是当前state状态下的最优的value值。因此，只要最后收敛，那么最优的policy也就得到的。因此这个方法是基于更新value的，所以叫value iteration。从上面的分析看，value iteration较之policy iteration更直接。不过问题也都是一样，需要知道状态转移函数p才能计算。本质上依赖于模型，而且理想条件下需要遍历所有的状态，这在稍微复杂一点的问题上就基本不可能了。针对MDPs要解决的2个问题，有如下解决办法： 针对prediction 目标是在已知policy下得到收敛的value function，因此针对问题不断迭代计算Bellman Expectation Equation就足够了。针对control 需要同时获得最优的policy，那么在Iterative policy evaluation基础上加入一个选择policy的过程就行。此外，通过value iteration在得到最优的value function后推导出最优policy。

整理：

问题贝尔曼方程解决算法PredictionBellman Expectation EquationIterative Policy EvaluationControlBellman Expectation Equation & Greedy Policy ImprovementPolicy IterationControlBellman Optimality EquationValue Iteration

---

5. DP的一些扩展

Asynchronous Dynamics Programming 异步动态规划 那么上面的算法的核心是更新每个状态的value值。那么可以通过运行多个实例同时采集样本来实现异步更新。而基于异步更新的思想，DeepMind出了一篇不错的paper：Asynchronous Methods for Deep Reinforcement Learning该文对于Atari游戏的效果得到大幅提升。Full-Width Backups & Sample BackupsApproximate DP

---

6. Contraction Mapping 压缩映射

压缩映射定理为本节的主要数学依据，解释了为何value iteration收敛于 v∗ ，为何Policy Evaluation收敛于 vπ ，为何Policy Iteration收敛于 v∗ 。