人工智能强化学习05|动态规划：场景

 

在强化学习第四课中，我参考了《Reinforcement Learning: An Introduction》 一书的内容，而这本书对动态规划同样有着精准的定义： “The term dynamic programming (DP) refers to a collection of algorithms that can be used to compute optimal policies given a perfect model of the environment as a Markov decision process (MDP).”所以讨论动态规划前，需要确定所讨论的过程是一个有限马尔可夫过程，即物体在环境中具备状态（s,集合为S），可以完成行动（a，集合为A），会获得环境给予的相应奖励（r, 集合为R），而这一切都是具有概率的 ，而每一次动作的概率，就像我们股票每次的买进卖出一样，关乎我们的长期收益。

 

不过我们还是得先来看看跳不过去的数学坑（公式1 与 公式2）：

这两个公式其实是用两种定义的数值来表达长期收益，第一个叫状态价值函数（v(s)），第二种是动作价值函数（q(s,a)），不论哪种方式，单次收益都会被表示为“单次奖励 + 单次状态值”这样的数学模型， 而这个长期收益肯定是可以优化的，深度强化学习中会用神经网络来干这种事情，那是后话，是目前阶段无法抵达的海岸，所以我们还是先从有意思的东西着手，一个经典的格子游戏。

 

4x4的方格构成了冰面游戏：脚下是冰，随时会塌，从起点走到终点，怎样才是最好的路线规划呢？我们用表格来表示这个冰面游戏：

始	冰	冰	冰
冰	洞	冰	洞
冰	冰	冰	洞
洞	冰	冰	终

• 始——游戏进入点；

• 冰——正常厚冰面，可以安全行走；

• 洞——踩上去会塌陷的薄冰面，非常危险；

• 终——游戏结束点。

把你的AI放在起始点，让它自己开始玩吧！

• 重新布局

首先我们需要将游戏塑造为适合AI理解的东西，所以上面的游戏方阵需要重新布局为下面的形式。

S1	S2	S3	S4
S5	S6	S7	S8
S9	S10	S11	S12
S13	S14	S15	S16

现在每个格子都有自己的状态值了，其实这些状态值也就是公式1中的v(s)，但是这些状态值都是多少呢？你可以自己设定，例如像S2这种普通冰面的状态值应该设计大一些，因为路确实好走，而S6这种危险路面状态值就需要小很多，且有可能是负值，因为如果走上去，你的AI可能需要花一点时间爬出来，这样的游戏场景，按照公式1，如果AI一路都走在浅蓝色格子，并最终到达终点S16，那么长期收益必然相当可观。 当然我们需要一种更天然的方法来计算这些状态值，而不是依靠人脑来填入那些值，这个方法被称为“迭代策略评估”，它是整个动态规划的重要组成部分。

• 奖励机制

如果由人类来指定每个格子的状态值会显得有些不科学，那么由人类来指定游戏规则就显得优雅多了。当我们为每个可能发生的动作设计奖励机制时，就可以设计以下这些计分规则：

• S12和S15走向S16的路径应给予极大的奖励（+5分），因为AI能这么走的话说明它成功完成游戏了；

• 所有向上、向左的回头路都不是推荐的，应给予小扣分（-1分）；

• 所有通向深蓝色冰洞的走法都是应该严格惩罚的，给予极大扣分（-3分）；

• 格子之外是不允许走的，当AI做出不允许的动作，就让它待在原地，所以不需要奖励（0分）。

设计好的奖励规则如下图：

上：不允许 左：不允许 下：+1 右：+1	上：不允许 左：-1 下：-3 右：+1	上：不允许 左：-1 下：+1 右：+1	上：不允许 左：-1 下：-3 右：不允许
上：-1 左：不允许 下：+1 右：-3	上：-1 左：-1 下：+1 右：+1	上：-1 左：-3 下：+1 右：-3	上：-1 左：-1 下：-3 右：不允许
上：-1 左：不允许 下：-3 右：+1	上：-3 左：-1 下：+1 右：+1	上：-1 左：-1 下：+1 右：-3	上：-3 左：-1 下：+5 右：不允许
上：-1 左：不允许 下：不允许 右：+1	上：-1 左：-3 下：不允许 右：+1	上：-1 左：-1 下：不允许 右：5	The End

以上奖励值，就是公式1中的R值，之所以称为 是指这个奖励是在下一时刻做完动作才会得到的，即如果AI处于起始点S1，如果下一时刻向右走向S2，就会获得 +1 的奖励。

• 行动概率

今天所描述的内容没有涉及到策略与概率，所以我们假设每个行动都有1/4 的概率，即无论AI在哪个格子，都可以均等选择上、下、左、右的行为（当然不允许就代表着等待，也是一种行为，不影响概率）

• 迭代策略评估算法

当AI站在起始点S1时，它所处的位置应该有自身价值，而这个价值取决于未来它能选择的路是否好走，就像有些人一出生家里很有钱，人生道路可能会缺少磨难，那么他一生的估值可能会高，但人生的事情谁知道呢。当我们计算位置S1的估值时，就假设这个值是公式1里等号最左边的那个家伙  ，我们给它换个容易记的名字V(S1),显然从S1只有两个有效动作可以做，就是向下走一步或者向右走一步，以及两个无效动作——等待，且每个动作都有0.25的概率(1/4)。

那么 V(S1)= 0.25*(向上奖励+向上状态值) + 0.25*(向左奖励+向左状态值) + 0.25*(向下奖励+向下状态值) + 0.25*(向右奖励+向右状态值)。

即 V(S1)= 0.25*0 + 0.25*0 + 0.25*(1+V(S2)) + 0.25*(1+V(S5))；

哇哦，我们用S2和S5的值表示了S1的值，也就是说，这种状态值具有一定的学习能力，我们再来看一个，假如我们的AI不慎走入了S12：

则有 V(S12)= 0.25*(-3+V(S8)) + 0.25*(-1+V(S11)) + 0.25*(5) + 0.25*0；

可以想象所有的V(S)值都会被其他相邻的V(S)值牵制，而最佳的V(S)值应该是最契合于游戏的奖励机制的，一旦这样的数据模型被搭建起来了，我们就可以给予各个V(S)值初始值并进行迭代，例如所有的V(S)都给予0的初始值，设计程序反复计算各个V(S)值即可，最后会收敛到一个一定程度上可以契合此游戏的V(S)值集群，收获了不错的V(S)值之后，就可以说游戏中的场景都搭建完工了，哪里是坑、哪里是路、哪里走起来容易等这些问题已经被固化在了游戏方格中，以数字这种AI可以理解的形式。

一个很聪明的AI，不仅需要依靠地形环境的评分，还需要了解行动后的奖励情况，并根据这些条件计算自己做出动作的欲望（动作价值 q），才能规划自己最优的路径，而整个规划过程都是动态迭代计算的，这种动态规划的思想为强化学习提供了很好的环境探知方法，关于如何计算q(s,a)请看下回分解。