强化学习笔记5：learning&planning， exploration&exploitation
1 learning & planning
Learning 和 Planning 是序列决策的两个基本问题。
在强化学习中，环境初始时是未知的，agent 不知道环境如何工作，agent 通过不断地与环境交互，逐渐改进策略。（learning过程）
在 plannning 中，环境是已知的，我们被告知了整个环境的运作规则的详细信息。
Agent 能够计算出一个完美的模型，并且在不需要与环境进行任何交互的时候进行计算。
Agent 不需要实时地与环境交互就能知道未来环境，只需要知道当前的状态，就能够开始思考，来寻找最优解。
在上图这个游戏中，规则是制定的，我们知道选择 left或者right 之后环境将会产生什么变化。我们完全可以通过已知的变化规则，来在内部进行模拟整个决策过程，无需与环境交互。
一个常用的强化学习问题解决思路是，先学习环境如何工作，也就是了解环境工作的方式，即学习得到一个模型，然后利用这个模型进行规划。
2 exploration& exploitation
在强化学习里面，探索exploration 和利用exploitation 也是两个很核心的问题。
-
探索exploration是说我们怎么去探索这个环境，通过尝试不同的行为来得到一个最佳的策略，得到最大奖励的策略。
-
利用exploitation是说我们不去尝试新的东西，就采取已知的可以得到很大奖励的行为。
因为在刚开始的时候强化学习 agent 不知道它采取了某个行为会发生什么，所以它只能通过试错去探索。
所以探索exploration就是通过试错来理解采取的这个行为到底可不可以得到好的奖励。
利用exploitation是说我们直接采取已知的可以得到很好奖励的行为。
这里就面临一个权衡，怎么通过牺牲一些短期的奖励来获得行为的理解，从而学习到更好的策略。
2.1 探索和利用的例子：
| 餐馆 |
|
| 做广告 |
|
| 挖油 |
|
| 玩游戏 |
|
3 K-armed Bandit
与监督学习不同，强化学习任务的最终奖赏是在多步动作之后才能观察到。
这里我们不妨先考虑比较简单的情形：最大化单步奖赏，即仅考虑一步操作。
需注意的是，即便在这样的简化情形下，强化学习仍与监督学习有显著不同，因为机器需通过尝试来发现各个动作产生的结果，而没有训练数据告诉机器应当做哪个动作。
想要最大化单步奖赏需考虑两个方面：一是需知道每个动作带来的奖赏，二是要执行奖赏最大的动作。
若每个动作对应的奖赏是一个确定值，那么尝试遍所有的动作便能找出奖赏最大的动作。然而，更一般的情形是，一个动作的奖赏值是来自于一个概率分布，仅通过一次尝试并不能确切地获得平均奖赏值。
实际上，单步强化学习任务对应了一个理论模型，即 K-臂赌博机(K-armed bandit)。
K-臂赌博机也被称为 多臂赌博机(Multi-armed bandit) 。如上图所示，K-摇臂赌博机有 K 个摇臂，赌徒在投入一个硬币后可选择按下其中一个摇臂，每个摇臂以一定的概率吐出硬币，但这个概率赌徒并不知道。赌徒的目标是通过一定的策略最大化自己的奖赏，即获得最多的硬币。
-
若赌徒仅为获知每个摇臂的期望奖赏，则可采用
仅探索(exploration-only)法：将所有的尝试机会平均分配给每个摇臂(即轮流按下每个摇臂)，最后以每个摇臂各自的平均吐币概率作为其奖赏期望的近似估计。 -
若赌徒仅为执行奖赏最大的动作，则可采用
仅利用(exploitation-only)法：按下目前最优的(即到目前为止平均奖赏最大的)摇臂，若有多个摇臂同为最优，则从中随机选取一个。
显然，仅探索法能很好地估计每个摇臂的奖赏，却会失去很多选择最优摇臂的机会；仅利用法则相反，它没有很好地估计摇臂期望奖赏，很可能经常选不到最优摇臂。
因此，这两种方法都难以使最终的累积奖赏最大化。
事实上，探索(即估计摇臂的优劣)和利用(即选择当前最优摇臂)这两者是矛盾的，因为尝试次数(即总投币数)有限，加强了一方则会自然削弱另一方，这就是强化学习所面临的探索-利用窘境(Exploration-Exploitation dilemma)。
显然，想要累积奖赏最大，则必须在探索与利用之间达成较好的折中。
参考文献：第一章 强化学习概述 (datawhalechina.github.io)