增强学习Reinforcement Learning经典算法梳理3：TD方法

1 前言

在上一篇blog中，我们分析了蒙特卡洛方法，这个方法的一个特点就是需要运行完整个episode从而获得准确的result。但是往往很多场景下要运行完整个episode是很费时间的，因此，能不能还是沿着bellman方程的路子，估计一下result呢？并且，注意这里，依然model free。那么什么方法可以做到呢？就是TD（temporal-difference时间差分）方法。

有个名词注意一下：boostraping。所谓boostraping就是有没有通过估计的方法来引导计算。那么蒙特卡洛不使用boostraping，而TD使用boostraping。

接下来具体分析一下TD方法

2 TD与MC的不同

MC使用准确的return来更新value，而TD则使用Bellman方程中对value的估计方法来估计value，然后将估计值作为value的目标值进行更新。

也因此，估计的目标值的设定将衍生出各种TD下的算法。

那么TD方法的优势有什么呢？

• 每一步都可以更新，这是显然，也就是online learning，学习快
• 可以面对没有结果的场景，应用范围广

不足之处也是显而易见的，就是因为TD target是估计值，估计是有误差的，这就会导致更新得到value是有偏差的。很难做到无偏估计。但是以此同时，TD target是每一个step进行估计的，仅最近的动作对其有影响，而MC的result则受到整个时间片中动作的影响，因此TD target的方差variance会比较低，也就是波动性小。

还是放一下David Silver的总结吧：

那么David Silver的ppt中有三张图，很清楚的对比了MC，TD以及DP的不同：

从上面可以很清楚的看到三者的不同。DP就是理想化的情况，遍历所有。MC现实一点，TD最现实，但是TD也最不准确。但是没关系，反复迭代之下，还是可以收敛的。

整个增强学习算法也都在上面的范畴里：

3 TD算法

这只是TD（0）的估计方式，显然可以拓展到n-step。就是讲TD-target再根据bellman方程展开。

再下来的思想，就是可以把TD（i）和TD（j）合在一起求个平均吧。

再下来就是把能算的TD（i）都算一遍，每一个给个系数，总和为1，这就是 TD(λ)

4 SARSA算法

SARSA算法的思想很简单，就是增加一个A，下一步的A，然后据此来估计 Q(s,a) 。

之所以算法称为SARSA，就是指一次更新需要用到这5个量。

5 Q-Learning算法

著名的Q-Learning。

这里直接使用最大的Q来更新。

为什么说SARSA是on-policy而Q-Learning是off-policy呢？
因为SARSA只是对policy进行估计，而Q-Learning的Q则是通往最优。

6 Double Q-Learning

Q-Learning可能会出现对Q值过度估计的问题，Double Q-Learning可以解决这个问题：

使用两个Q交替更新。

7 多种方法比较

由上面两图可以理解TD，Sarsa，和Q-Learning的算法来源，本质上都是基于Bellman方程。

可以这么理解：Bellman方程是一种理想条件的解法，而这些方法则是放弃理想准确度而形成的可实现方法。

小结

本文梳理了TD相关的几个算法。TD算法特别是 TD(λ) 方法引出了eligibility trace（翻译做资格迹 不知可否），这部分内容留待之后分析。

声明

本文的图片截取自：
1 Reinforcement Learning: An Introduction
2 Reinforcement Learning Course by David Silver