11 蒙特卡罗控制方法概述

查看大图

强化学习的核心是智能体在环境中试错，学习时要同时看状态、动作、奖励和策略更新。阅读时可以按「蒙特卡罗控制的基本概念 -> 蒙特卡罗控制的实现步骤 -> 步骤 1: 生成轨迹 -> 步骤 2: 评估$Q$值函数」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「蒙特卡罗控制的基本概念」，再查「蒙特卡罗控制的实现步骤」。

在上一篇中，我们探讨了蒙特卡罗方法的基本原理。这一部分将深入讨论蒙特卡罗控制方法，进一步拓展我们对强化学习的理解。蒙特卡罗控制是指通过蒙特卡罗方法进行策略评估和改进的过程，它主要用于策略的优化。

蒙特卡罗控制的基本概念

蒙特卡罗控制的目标是通过对状态-动作值函数（$Q$值函数）的估计来找到最优策略。它的基本流程是：

1. 采样：使用策略生成多个轨迹（episode），每个轨迹由状态、动作和奖励序列组成。
2. 评估：计算每一对 $(s, a)$ 的$Q$值，即在状态$s$下采取动作$a$的期望回报。
3. 改进：根据$Q$值更新策略，使概率更高地选择在给定状态下收益更高的动作。

蒙特卡罗控制的实现步骤

步骤 1: 生成轨迹

在强化学习中，我们需要通过与环境的交互来获得轨迹。以下是一个简单的示例，展示如何在一个简单的环境中生成轨迹。

import numpy as np

def generate_episode(env, policy):
    state = env.reset()
    episode = []
    done = False
    
    while not done:
        action = policy(state)
        next_state, reward, done, info = env.step(action)
        episode.append((state, action, reward))
        state = next_state
        
    return episode

在这个代码示例中，generate_episode 函数生成一个完整的轨迹，使用给定的策略与环境进行交互。

步骤 2: 评估$Q$值函数

一旦获得了多条轨迹，我们可以开始评估$Q$值。在这里，我们将计算每个状态-动作对的回报。

def compute_Q(episodes, num_states, num_actions, discount_factor=0.9):
    Q = np.zeros((num_states, num_actions))
    returns = np.zeros((num_states, num_actions))
    returns_count = np.zeros((num_states, num_actions))
    
    for episode in episodes:
        G = 0  # 回报
        multiplier = 1  # 折扣因子
        for state, action, reward in reversed(episode):
            G += reward * multiplier
            multiplier *= discount_factor
            
            # 更新返回值与计数
            returns[state, action] += G
            returns_count[state, action] += 1
            Q[state, action] = returns[state, action] / returns_count[state, action]  # 计算平均
            
    return Q

在这个函数中，我们计算每个状态-动作对的$Q$值，通过回报的累积进行评估。

步骤 3: 改进策略

基于更新后的$Q$值，我们可以通过$\epsilon$-贪婪策略来改进当前策略。这是强化学习中常用的策略改进方法。

查看大图

学习蒙特卡罗控制时，先看回合采样、动作价值估计、探索策略、策略改进和收敛条件。

def epsilon_greedy_policy(Q, epsilon=0.1):
    def policy(state):
        if np.random.rand() < epsilon:
            return np.random.choice(len(Q[state]))  # 随机动作
        else:
            return np.argmax(Q[state])  # 选择最佳动作
    return policy

在上述代码中，epsilon_greedy_policy函数定义了一个$\epsilon$-贪婪策略，这种策略在探索 (选择随机动作) 和利用 (选择Q值最高的动作)之间平衡。

循环迭代

最终，我们可以将这些步骤放在一个循环中，迭代进行策略评估与改进，直到策略收敛。

def monte_carlo_control(env, num_episodes, discount_factor=0.9):
    Q = np.zeros((env.observation_space.n, env.action_space.n))
    policy = epsilon_greedy_policy(Q)
    
    for episode_num in range(num_episodes):
        episode = generate_episode(env, policy)
        Q = compute_Q([episode], env.observation_space.n, env.action_space.n, discount_factor)
        policy = epsilon_greedy_policy(Q)
    
    return policy, Q

实际案例：简单的网格世界

为了更好地理解蒙特卡罗控制方法，我们可以考虑一个简单的网格世界环境，其中代理可以在一个$5 \times 5$的网格中移动，每个格子可以得到相应的奖励。

查看大图

《蒙特卡罗控制方法概述》适合边看图边读正文。先确认问题和判断标准，再看概念解释与练习步骤，信息会更容易连成一条线。

class GridWorld:
    def __init__(self):
        self.grid_size = 5
        self.state = (0, 0)
        
    def reset(self):
        self.state = (0, 0)
        return self.state
    
    def step(self, action):
        # 定义动作：上, 下, 左, 右
        if action == 0:  # 上
            next_state = (max(0, self.state[0] - 1), self.state[1])
        elif action == 1:  # 下
            next_state = (min(self.grid_size - 1, self.state[0] + 1), self.state[1])
        elif action == 2:  # 左
            next_state = (self.state[0], max(0, self.state[1] - 1))
        else:  # 右
            next_state = (self.state[0], min(self.grid_size - 1, self.state[1] + 1))
        
        self.state = next_state
        # 设定奖励
        reward = -1 if self.state != (self.grid_size - 1, self.grid_size - 1) else 0
        done = self.state == (self.grid_size - 1, self.grid_size - 1)
        
        return self.state, reward, done, {}

# 使用网格世界环境进行蒙特卡罗控制
env = GridWorld()
optimal_policy, Q_values = monte_carlo_control(env, num_episodes=5000)

在这个示例中，代理在网格中移动，获取奖励，最终通过蒙特卡罗控制方法学习到一个近似最优的策略。

查看大图

如果《蒙特卡罗控制方法概述》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《蒙特卡罗控制方法概述》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

总结

蒙特卡罗控制方法是通过采样生成轨迹并使用$Q$值进行策略评估与改进的有力工具。它稳健且易于实现，适合用于强化学习的各种应用场景。在我们下一篇的内容中，我们将进一步讨论如何进行区间估计，以提高对强化学习模型的评估与理解。