24 强化学习中的优势函数

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「什么是优势函数？ -> 优势函数的应用 -> 示例：利用优势函数改善策略学习 -> 优势函数的优势」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「什么是优势函数？」，再查「优势函数的应用」。

在上篇中，我们探讨了策略梯度方法中的基本算法——REINFORCE算法，了解了如何通过采样策略来更新参数以最大化预期奖励。本文将深入探讨一个关键概念——优势函数，并将其与策略梯度方法相结合，以提高学习效率。

什么是优势函数？

在强化学习中，优势函数（Advantage Function）用于衡量一个动作相对于其他动作的效果。通常，我们用$A(s, a)$表示状态$s$和动作$a$的优势函数，它可以定义为：

查看大图

读这篇时，可以把「什么是优势函数？ -> 优势函数的应用 -> 示例：利用优势函数改 -> 优势函数的优势」当成一条检查线：先把对象、步骤和证据对齐，再回到案例、代码或指标里复查。

$$A(s, a) = Q(s, a) - V(s)$$

这里：

• $Q(s, a)$是给定状态$s$和动作$a$的动作价值函数。
• $V(s)$是状态价值函数，表示在状态$s$时的预期回报。

优势函数的意义在于，它能更好地表示某个动作的相对好坏程度，从而有助于策略优化。在许多情况下，使用优势函数可以减少方差，提高学习的稳定性。

优势函数的应用

在策略梯度方法中，我们通常使用REINFORCE算法直接优化期望奖励。但通过引入优势函数，我们可以采用更为有效的算法，如A3C（Asynchronous Actor-Critic）和PPO（Proximal Policy Optimization）。

查看大图

《强化学习中的优势函数》这类内容容易被细节带偏。先看图里的主线，再回到正文核对环境、输入、输出和判断标准。

示例：利用优势函数改善策略学习

假设我们有一个简单的迷宫环境，在其中智能体需要从起点到达终点。我们可以使用Q函数和V函数来计算每一步的优势。

import numpy as np

def compute_advantage(rewards, values, gamma=0.99):
    advantage = np.zeros_like(rewards)
    for t in reversed(range(len(rewards))):
        if t == len(rewards) - 1:
            delta = rewards[t] - values[t]
        else:
            delta = rewards[t] + gamma * values[t + 1] - values[t]
        advantage[t] = delta + (gamma * advantage[t + 1] if t < len(rewards) - 1 else 0)
    return advantage

在这个代码示例中，我们使用compute_advantage函数根据获得的奖励和状态价值计算优势。通过这一过程，智能体可以在更新策略时利用优势信息，从而更有效地更新参数。

优势函数的优势

相比于直接使用Q值或V值，优势函数在以下几个方面具备明显优势：

1. 降低方差：通过将动作价值与状态价值进行比较，优势函数能消除一些无关的波动部分，因此在样本效率上更高。

2. 增强学习稳定性：采用优势函数减少了策略更新对偶然性奖励的敏感度，促使学习过程更加稳定。

3. 适用于多种场景：算法如A2C和PPO都使用了优势函数，使得这些方法在处理复杂环境时表现优越。

查看大图

读到这里，可以把《强化学习中的优势函数》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《强化学习中的优势函数》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

总结

在强化学习中，理解和应用优势函数是提高策略学习效果的关键。通过优势函数，我们不仅能够使策略梯度法更加高效，还能够在实际应用中，如在游戏中的强化学习，获得更好的性能。接下来的篇幅，我们将深入探讨强化学习在游戏中的应用，展示如何将这一理论实际应用于复杂环境中，如何设计和训练智能体以达到最佳策略。

希望通过这一系列教程，读者能全面掌握强化学习的核心概念与算法，进而在实践中灵活应用。