# 强化学习读书笔记 - 02 - 多臂老O虎O机问题
学习笔记：
[Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016](https://webdocs.cs.ualberta.ca/~sutton/book/)
## 数学符号的含义
* 通用
$a$ - 行动(action)。
$A_t$ - 第t次的行动(select action)。通常指求解的问题。
* 在老O虎O机问题中
$q_*(a)$ - 行动 a 的真实奖赏(true value)。这个是（实际中）不可知的。期望计算的结果收敛(converge)与它。
$N_t(a)$ - 在第t次之前，行动a被选择的次数。
$R_t$ - 第t步的实际奖赏(actual reward)。
$Q_t(a)$ - 行动 a 在第t次前（不包括第t次）的实际平均奖赏。
$$
Q_t(a) = \frac{\sum_{i=1}^{t-1} R_i \times 1_{A_i=a}}{N_t(a)}
$$
$H_t(a)$ - 对于行动a的学习到的倾向。
$\epsilon$ - 在ε-贪婪策略中，采用随机行动的概率$[0, 1)$。
## 多臂老O虎O机问题
一般的老O虎O机只有一个臂（杆）。你塞10个硬币，拉一下杆，老O虎O机可能会吐出来一两个硬币，或者100个硬币。
多臂老O虎O机有多个杆（象征着多个行动(action)，每个杆有自己特有的吐钱逻辑）。
注意：每个杆的吐钱概率可能是固定的(stationary)，也可能是不固定的(non-stationary)。不固定在现实中更常见。
多臂老O虎O机问题就是在许多次尝试后，**找到一个有效收益的策略**。
多臂老O虎O机问题是统计学、工程、心理学的一个经典问题。不要小看了这个问题，很多权威都研究过。
在强化学习方面，我们通过这个问题，可以了解强化学习的基本概念和算法的思路。其中包括：
* 探索(exploration)和采用(exploitation)的权衡
* 贪婪(greedy)
* 收敛(convergence)
* 参数初始化的重要性
* 梯度递减(gradient descent)
（注：梯度递增和梯度递减的意思一样，只是看问题的方向不一样。）
等等。
### 如何判断算法的好坏
在讨论算法前，我们先考虑判断算法好坏的标准。
* 建立模型
建立一个10臂老O虎O机。
每个臂的真实行动价值$q_*(a), a = 1, \dots, 10$是一个符合（平均值=0, 方差=1）的正态分布。
每个臂的每次行动的估值$R_t(a)$是一个符合（平均值=$q_*(a)$, 方差=1）的正态分布。
* 测试标准
* 平均奖赏 - 奖赏越多越好
* 最优行动 - 和实际最优行动一致的比率越大越好
## 解决方法
### 行动-价值方法 (action-value method)
在决定第t次的行动$A_t$时，使用下面的算法。
$$
A_t = \underset{a}{argmax} Q_t(a) \\
where \\
1_{A_i=a} =
\begin{cases}
1, if A_i = a \\
0, otherwise
\end{cases}
$$
* 贪婪方法(greedy method)
总是选择当前取得最大收益的行动。
特点：**最大化采用(exploitation)。**
算法的过程如下：
> 初始： $Q_0(a), a = 1, \cdots, 10$ 都为0；
> 每个杆（action）都拉一下。 $Q_0(a), a = 1, \cdots, 10$ 有了新值。
> 根据当前平均收益最大的杆，当做本次选择的杆。
* ε - 贪婪方法(ε-greedy method)
ε - 读作epsilon。有弹性的意思。
一般情况下选择当前取得最大收益的行动，但是有一定比例ε的行动是随机选择的。
特点：**增强了探索(exploration)性。**
算法的过程如下：
> 初始： $Q_0(a), a = 1, \cdots, 10$ 都为0；
> 每个杆（action）都拉一下。 $Q_0(a), a = 1, \cdots, 10$ 有了新值。
> 根据当前平均收益最大的杆，当做本次选择的杆。
> 同时根据$ε$的值，随机选择一个杆。（比如：$ε=0.1$，每十次随机选择一个杆）
### 增值实现(incremental implementation)
如何计算$Q_t$。
**算法**
$$
\begin{array} \\
Q_t
& = \frac{1}{t-1} \sum_{i=1}^{t-1} R_i \text{ : this method need memory all } R_i. \\
& = Q_{t-1} + \frac{1}{t-1} \left [ R_{t-1} - Q_{t-1} \right ] \text{this method is better, just need memory last } R_{t-1}, Q_{t-1}.
\end{array}
$$
### 带权值步长的增值实现(incremental implementation with weighted step size)
一个替代算法。用步长$\alpha$ 代替$ \frac{1}{t-1}$。
**算法**
$$
Q_t = Q_{t-1} + \alpha \left [ R_{t-1} - Q_{t-1} \right ]
$$
**解释**
这个算法利于解决非稳定(non-stationary)问题。
非稳定(non-stationary)问题意味着$q_*(a)$是会发生变化的。因此，最近几次的奖赏更具代表性。
$\alpha$越大，意味着最近奖赏的权重越大。
这里也可以看到梯度计算的影子。
### 优化初始值(Optimistic initial values)
优化初始值$Q_1(a)$，如果赋值越大，会鼓励探索。
初始值为0时，ε - 贪婪方法(ε=0.1) 好于 ε - 贪婪方法(ε=0.01) 好于 贪婪方法。
看来冒一定风险还是有好处的。
初始值为5的贪婪方法 好于 ε - 贪婪方法(ε=0.1)。
有钱人更容易成功。
### 置信上界选择算法 (Upper-Confidence-Bound action selection)
可理解为求每个行动的**最大可信值**，选择**最大可信值**最大的行动。
**算法**
$$
A_t = \underset{a}{argmax} \left [ Q_t(a) + c \sqrt{\frac{\log{t}}{N_t(a)}} \right ] \\
where \\
c \text{ : > 0, controls the degree of exploration. bigger c means more exploration.} \\
\text{if } N_t(a) = 0 \text{, then a is considered to be a maximizing action.}
$$
**算法理解**
这个算法在计算：**第t次的行动应该是什么？**
> 我们没有说：“第t次的**最优**行动应该是什么？”。为什么不说**最优**呢？
> 因为，强化学习的目的是总体最优，不是局部最优，因此“第t次的**最优**行动”不是强化学习最求的目标。
$c$是一个可调的参数。我们在理解中不用太关心它，当它是$1$好了。
> 在机器学习中，算法一般都有几个参数可以调节。不同环境中，调节参数最优化可以很大的提高算法的质量。
$Q_t(a)$ - 行动a当前的奖赏。
$t$ - 第t次。
$\log{t}$ - 求t的指数。随着t变大，$\log{t}$变大的速度变慢。
$N_t(a)$ - 行动a被选择的次数。
$\left [ \sqrt{\frac{\log{t}}{N_t(a)}} \right ]$ - 由于$\frac{\log{t}}{N_t(a)} 7 }$， 求平方根，反而是起了一个放缓、放大的作用。
在没有奖赏的情况下：$Q_t(a)$ 不变。$\log{t}$比$N_t(a)$变化的慢，因此总结果会变小。
* 梯度老O虎O机算法 (Gradient Bandit Algorithms)
之前的算法，主要是通过发生的事件，根据**行动的估计奖赏**，来决定选择哪个行动。
梯度算法是：通过发生的事件，根据**行动的倾向**$H_t(a)$，来决定选择哪个行动。
（个人没看出有什么不同）。
$$
Pr\{A_t = a\} = \pi_t(a) = softmax(H_t(a)) = \frac{e^{H_t(a)}}{ \sum_{i=1}^k e^{H_t(a)}} \\
A_t = \underset{a}{argmax} (\pi_t(a)) \\
\pi_t(a) \text{ for the probability of taking action a at time t.}
$$
> softmax是一个激活函数。通常用于输出的概率计算，就是现在看到的例子。
$$
H_1(a) = 0, \forall a \\
\text{After action } A_t \text{ and receiving the reward } R_t, \\
H_{t+1}(A_t) = H_t(A_t) + \alpha(R_t - \bar{R}_t)(1- \pi_t(A_t)) \text{, and} \\
H_{t+1}(a) = H_t(a) - \alpha(R_t - \bar{R}_t)\pi_t(a) , \forall a \ne A_t \\
\bar{R}_t = \frac{\sum R_t}{t} \\
where \\
\alpha \text{ - step size parameter.} \\
\bar{R}_t \text{ - the average of all the rewards up through and including time t.}
$$
## 参照
* [Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016](https://webdocs.cs.ualberta.ca/~sutton/book/)
* [强化学习读书笔记 - 01 - 强化学习的问题](http://www.cnblogs.com/steven-yang/p/6440755.html)