基于啟發(fā)函數(shù)改進(jìn)的SARSA(λ)算法*

馬朋委　潘地林

(安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院　淮南　232001)

?

基于啟發(fā)函數(shù)改進(jìn)的SARSA(λ)算法*

馬朋委潘地林

(安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院淮南232001)

摘要強(qiáng)化學(xué)習(xí)是一種重要的機(jī)器學(xué)習(xí)方法,在機(jī)器人路徑規(guī)劃,智能控制等許多決策問題中取得了成功的應(yīng)用,已經(jīng)成為機(jī)器學(xué)習(xí)研究的一個(gè)重要分支。針對強(qiáng)化學(xué)習(xí)存在著的收斂慢,學(xué)習(xí)知識慢,探索與利用平衡等問題,論文對SARSA(λ)算法提出了一種改進(jìn),改進(jìn)的方法借助經(jīng)驗(yàn)知識從環(huán)境特征中提出一個(gè)用于策略擇優(yōu)和優(yōu)化回報(bào)函數(shù)的啟發(fā)函數(shù),以此來加速算法的收斂速度。通過仿真對比,論文提出改進(jìn)算法具有比SARSA(λ)更快的獎賞反饋,表明了該算法在知識學(xué)習(xí)方面的有效性。

關(guān)鍵詞強(qiáng)化學(xué)習(xí); SARSA(λ); 啟發(fā)函數(shù); 評估學(xué)習(xí)

Class NumberTP301.6

1引言

20世紀(jì)90年代強(qiáng)化學(xué)習(xí)通過與運(yùn)籌學(xué)、控制理論的交叉結(jié)合,在控制理論和算法方面取得若干突破性的研究成果,奠定了強(qiáng)化學(xué)習(xí)的理論基礎(chǔ),并在智能控制、機(jī)器人系統(tǒng)規(guī)及分析預(yù)測等序貫決策中取得了成功的應(yīng)用[1～2]。強(qiáng)化學(xué)習(xí)是一個(gè)試錯(cuò)學(xué)習(xí)的過程,目的是使Agent從環(huán)境中獲得的累積獎賞值最大。Agent在環(huán)境中執(zhí)行一個(gè)動作,到達(dá)下一個(gè)狀態(tài),同時(shí)給予Agent一個(gè)強(qiáng)化信號[3](獎勵或懲罰),Agent借助環(huán)境給予的強(qiáng)化新號來對原有的策略進(jìn)行改進(jìn),最終目的是最大化累積獎賞值。

強(qiáng)化學(xué)習(xí)大部分都是以馬爾科夫決策過程(Markov Decision Process)為基礎(chǔ)。馬爾科夫決策過程借助四元組(S,A,P,r)來描述。S為環(huán)境狀態(tài)空間,A為動作空間,P(s,a,s′)為狀態(tài)轉(zhuǎn)移概率,r為立即回報(bào)函數(shù)。在馬爾科夫決策過程中,Agent是通過一個(gè)決策函數(shù)(即策略)來選擇動作的,常用π表示策略。在定義了策略后對應(yīng)狀態(tài)-動作值函數(shù)為Qπ(s,a),Qπ(s,a)表示在狀態(tài)s下根據(jù)策略π執(zhí)行動作a的期望值如式(1):

(1)

最優(yōu)動作值函數(shù)Q*(s,a)的定義為式(2):

Q*(s,a)=maxπQπ(s,a)

(2)

最優(yōu)策略π*是使得Agent在每一個(gè)狀態(tài)下均能獲得最大值的策略如式(3):

(3)

一些強(qiáng)化學(xué)習(xí)算法已經(jīng)在理論和應(yīng)用方面取得了重大的成功Q_learning[4],TD(λ)[5],SARSA[6]。本文借助將人的經(jīng)驗(yàn)和背景知識融入到強(qiáng)化學(xué)習(xí)中,基于SARSA(λ)提出一個(gè)改進(jìn)的一個(gè)啟發(fā)函數(shù),提高Agent對環(huán)境知識的學(xué)習(xí),加快算法的收斂。

2SARSA(λ)簡介

SARSA算法是強(qiáng)化學(xué)習(xí)中的一種在策略(on-policy)的時(shí)序差分算法[7]。它由Rummery和Niranjan在1994年提出了一種基于模型的算法,最初稱為改進(jìn)的Q學(xué)習(xí)算法,后稱為SARSA(STATE-ACTION-REWARD-STATE-ACTION)學(xué)習(xí)算法[8]。SARSA在更新時(shí)借助五元組(s,a,r,s′,a′)其中:s表示當(dāng)前狀態(tài);a表示當(dāng)前狀態(tài)下選擇的動作;r是選擇動作a后獲得的獎勵;s′和a′則分別代表后續(xù)的狀態(tài)和動作。SARSA算法中動作值函數(shù)的更新規(guī)則如式(4)所示:

δ=[r+γQ(s′,a′)-Q(s,a)]

Q(s,a)←Q(s,a)+αδ

(4)

γ為折扣因子;α是步長參數(shù),0≤α≤1和0<γ≤1。

在Q_learning和SARSA算法中,當(dāng)接收到一個(gè)獎賞值時(shí)只向后回溯一步,相當(dāng)于做了一步備份,導(dǎo)致算法收斂緩慢,一個(gè)改進(jìn)的方法是回溯任意步,稱為SARSA(λ)算法,其動作值函數(shù)跟新規(guī)則如式(5):

δ=[r+γQ(s′,a′)-Q(s,a)]

Q(s,a)←Q(s,a)+αδe(s′,a′)

(5)

其中e(s,a)為狀態(tài)的“資格跡”(eligibility trace)[9]。借助資格跡來體現(xiàn)每一步對結(jié)果負(fù)的責(zé)任大小。一個(gè)“狀態(tài)-動作對”第一次被訪問時(shí),將它的資格跡設(shè)置為1。在隨后的每個(gè)時(shí)間步里,它的資格跡應(yīng)是不斷減少的,當(dāng)該狀態(tài)再次被訪問時(shí),其資格跡加1。資格跡的定義如式(6):

(6)

其中表示狀態(tài)s在t時(shí)刻的跡,SARSA(λ)使Agent對環(huán)境知識的學(xué)習(xí)有一定程度的進(jìn)步,但對環(huán)境知識的學(xué)習(xí)依然是緩慢的,忽略了大量有用的信息和知識。由于缺乏有效的策略選擇機(jī)制,常需在狀態(tài)空間進(jìn)行多次遍歷才能收斂。針對SARSA(λ)存在的問題,本文引入啟發(fā)(Heuristic)函數(shù)加速(Accelerate)算法對環(huán)境知識的學(xué)習(xí),簡稱HASARSA(λ)算法。借助啟發(fā)函數(shù)改進(jìn)策略的選擇,優(yōu)化回報(bào)函數(shù),相比SARSA(λ)對環(huán)境知識的學(xué)習(xí)有明顯的提高。

3HASARSA(λ)設(shè)計(jì)

強(qiáng)化學(xué)習(xí)算法是通過不斷地與環(huán)境交互,從當(dāng)前一個(gè)狀態(tài)s,選取一個(gè)動作a,到達(dá)下一個(gè)狀態(tài)s′,獲得該動作a的一個(gè)獎賞值,強(qiáng)化學(xué)習(xí)算法的關(guān)鍵問題在于動作選擇函數(shù)和回報(bào)函數(shù)的設(shè)計(jì),本文通過設(shè)計(jì)一個(gè)啟發(fā)函數(shù)來改進(jìn)動作的選擇,優(yōu)化回報(bào)函數(shù),來加快算法的收斂。啟發(fā)函數(shù)的定義主要來自兩方面,一方面是借助先驗(yàn)領(lǐng)域知識,一方面是在學(xué)習(xí)的過程利用學(xué)習(xí)獲得的信息。文獻(xiàn)[10]提出了大多數(shù)啟發(fā)函數(shù)的定義分為兩個(gè)階段,第一階段是根據(jù)值函數(shù)V進(jìn)行領(lǐng)域結(jié)構(gòu)的提取,稱作結(jié)構(gòu)提取[10]。第二階段是在結(jié)構(gòu)提取后構(gòu)造啟發(fā)式函數(shù),稱為啟發(fā)式構(gòu)造。SARSA(λ)在引入啟發(fā)式函數(shù)的強(qiáng)化學(xué)習(xí)模型如圖1所示。

圖1　啟發(fā)式強(qiáng)化學(xué)習(xí)框架圖

圖1表明在原有的強(qiáng)化學(xué)習(xí)框架基礎(chǔ)上引入了特征節(jié)點(diǎn),并從特征中提取了附加回報(bào)和調(diào)和函數(shù)對原有的動作選擇策略和回報(bào)函數(shù)進(jìn)行優(yōu)化。

3.1策略選擇函數(shù)

Q_learning,SARSA算法在選擇策略上通常選用ε-greedy算法。

ε-greedy選擇策略定義如式(7):

(7)

其中π(st)表示策略選擇函數(shù),p為探索-利用平衡的參數(shù),p越大,算法越傾向于利用已有的知識,arandom是當(dāng)前動作集合中的一個(gè)隨機(jī)動作。加入啟發(fā)函數(shù)后改進(jìn)的動作選擇函數(shù)如式(8):

(8)

相比式(7)多了一個(gè)調(diào)和函數(shù)Ht(st,at),值可正可負(fù)。目的使Agent在執(zhí)行選擇策略過程中,通過調(diào)和函數(shù)來折中分析動作的好壞,不斷強(qiáng)化好的動作,弱化差的動作,借此來指導(dǎo)動作的選擇,減少都無用狀態(tài)的探索,加速算法的收斂過程。

3.2回報(bào)函數(shù)

啟發(fā)函數(shù)的回報(bào)函數(shù)分為兩部分,原立即回報(bào)函數(shù)和附加回報(bào)函數(shù)如式(9):

R(st)=r+r′(st,at)

(9)

式中r為立即回報(bào),是借助人的經(jīng)驗(yàn)和背景知識,對環(huán)境的特征提取,設(shè)置的附加回報(bào)函數(shù)。

4實(shí)驗(yàn)結(jié)果仿真分析

4.1啟發(fā)函數(shù)的設(shè)計(jì)

啟發(fā)函數(shù)的設(shè)計(jì)依賴一定的環(huán)境問題背景,在這里選取一個(gè)20×20 Maze,state表示Agent的狀態(tài),坐標(biāo)(x,y)。Agent開始狀態(tài)隨機(jī)生成,終點(diǎn)狀態(tài)為state(20,20)。Agent可以執(zhí)行的動作為上下左右,r表示執(zhí)行一個(gè)動作后到達(dá)下一個(gè)狀態(tài)獲得的獎賞。如果是終點(diǎn)給予10的正獎勵值,陷阱則給予負(fù)獎賞值-5,撞墻或遇到障礙物給予-1的獎賞值,其它情況給予0。

立即回報(bào)r可以表示如式(10):

(10)

為了定義啟發(fā)函數(shù),本文從環(huán)境中提取如下三個(gè)特征:

1) 本文借助Agent離終點(diǎn)的距離來表示該狀態(tài)的重要性。用Wij表示state(i,j)的權(quán)重,Wij=(i+j)/40(i,j為該狀態(tài)的坐標(biāo)位置),離終點(diǎn)越近的位置權(quán)重越大,給予的附加獎賞就越大。啟發(fā)后的回報(bào)函數(shù)可寫成R=r+Wij*β,β取一個(gè)較小的正數(shù),以免對已有的獎賞值產(chǎn)生較大的干擾。

2) 可以通過兩個(gè)坐標(biāo)的差值Δd=(x1-x2)+(y1-y2)來反映與終點(diǎn)的距離變化關(guān)系。Δd小于0反應(yīng)越接近最終目標(biāo)。

3) 越靠近正獎賞(也就是最終目標(biāo))的狀態(tài)的Q值近似呈增大趨勢,越靠近負(fù)獎賞(陷阱、障礙、墻壁)Q值呈近似減小趨勢。Q值的正負(fù)也隱藏體現(xiàn)著與終點(diǎn)的距離。

從分析中可以看出,特征2),3)都從某種程度上反映了與終點(diǎn)距離的關(guān)系。因此動作選擇函數(shù)中的協(xié)調(diào)函數(shù)可以表示如式(11):

(11)

其中θ取一個(gè)較小的數(shù),e[s,a]表示資格跡,借助資格跡來減小調(diào)和函數(shù)H(st,at)累積效應(yīng)所產(chǎn)生的誤差。

4.2HASARSA(λ)算法

begin

初始化Q(s,a),e(s,a),從環(huán)境中提取特征,結(jié)合經(jīng)驗(yàn)知識構(gòu)造啟發(fā)函數(shù),觀察目前的狀態(tài),利用基于改進(jìn)的ε-greedy算法選取動作a

repeat forever

執(zhí)行行為a

觀察獎賞R和狀態(tài)s′

R=r+r′

利用基于改進(jìn)的ε-greedy算法選取動作a′

s←s′

a←a′

end repeat

end

4.3程序仿真圖

建筑工程設(shè)計(jì)管理過程中，通過對BIM 模型的高效利用，有利于為建筑給排水、電氣和暖通等專業(yè)的協(xié)調(diào)配合提供技術(shù)支持，滿足建筑工程設(shè)計(jì)中管線整體剖析、碰撞查驗(yàn)、主要區(qū)域凈空剖析、結(jié)構(gòu)預(yù)留洞校驗(yàn)以及弱電專項(xiàng)剖析等方面的要求，并得到碰撞檢查匯報(bào)、凈空剖析匯報(bào)、結(jié)構(gòu)預(yù)留洞優(yōu)化圖紙（預(yù)埋套管圖）、綜合管線審核匯報(bào)與優(yōu)化圖紙等，從而實(shí)現(xiàn)對工程設(shè)計(jì)管理要素的深入分析，建立與建筑工程密切相關(guān)的BIM模型并加以利用，促使實(shí)踐中的建筑工程設(shè)計(jì)管理更加高效，進(jìn)而有效避免工程設(shè)計(jì)管理問題的發(fā)生。

借助Matlab進(jìn)行仿真,取ε為0.2,折扣率γ為0.9,步長α為0.1,得到仿真圖如圖2所示。

圖2　兩種算法的對比圖

圖2中橫坐標(biāo)episode為迭代次數(shù),縱坐標(biāo)totoalreward為總獎賞值。箭頭所指位置對應(yīng)兩種算法總獎賞值為0的坐標(biāo)。對比兩個(gè)算法的結(jié)果:雖然SARSA(λ)和HASARSA(λ)算法剛開始獲得了負(fù)獎賞,但HASARSA(λ)獲得負(fù)獎賞明顯比前者少,這表明HASARSA(λ)在執(zhí)行中更多地避開了那些會獲得負(fù)獎賞的狀態(tài)。當(dāng)算法進(jìn)行2000次迭代,HASARSA(λ)總獎賞值已經(jīng)開始為正值,并且接下來總獎賞值增長迅速,相比SARSA(λ)在3000次迭代后才為正值,而且增長速率比較平緩。這體現(xiàn)了HASARSA(λ)可以充分利用環(huán)境特征,使智能體的學(xué)習(xí)速度達(dá)到很大提升,體現(xiàn)了算法的可行性。

5結(jié)語

雖然HASARSA(λ)可以借助從環(huán)境特征提取啟發(fā)函數(shù),來使智能體學(xué)習(xí)知識的能力得到提升,但該算法也有一定的缺陷,定義啟發(fā)函數(shù)需要依賴環(huán)境特征和知識背景,沒有一個(gè)通用的標(biāo)準(zhǔn)。

參 考 文 獻(xiàn)

[1] 史忠植.智能科學(xué)[M].北京:清華大學(xué)出版社,2006:31-35.

SHI Zhongzhi. Intelligent science[M]. Beijing: Tsinghua University Press,2006:31-35.

[2] MItchell T M.機(jī)器學(xué)習(xí)[M].曾華軍,譯.北京:機(jī)械工業(yè)出版社,2008:23-27.

[3] 金釗.加速強(qiáng)化學(xué)習(xí)方法研究[D].昆明:云南大學(xué),2010:32-36.

JIN Zhao. Accelerate the reinforcement learning method research[D]. Kunming: Yunnan University,2010:32-36.

[4] L. P. Kael bling, M. L. Litt man, A. W. Moore. Reinforcement Learning: A Survey[R]. Arxiv preprint cs/9605103,1996:237-285.

[5] L. Tang, B. An, D. Cheng. An agent reinforcement learning model based on neural networks[C]//Bio-Inspired Computational Intelligence and Applications,2007:117-127.

[6] Jinsong, Leng, Lakhmi Jain, Colin Fyfe. Convergence Analysis on Approximate Reinforcement Learning[C]//Z.Zhang and Siekmann (Eds): KSEM 2007, LNAI 4798, pp.85-91.

[7] Rummery, G A, Niranjan, M. On-line Q_learning using connectionist system[D]. London: Cambridge University,1994.

[8] SUTTONRS, BARTO AG. Reinforcement learning: an introduction[M]. Cambridge: MIT,1998:150-185.

[9] Singh S P, Sutton R S. Reinforcement learning with replacing eligibility traces[J]. Machine Learning,1996,(22):123-158.

[10] Bianchi R A C, Ribeiro C H C, Costa A H R. Accelerating autonomous learning by using heuristic selection of actions[J]. Journal of Heuristics,2008,14(2):135-168.

SARSA (λ) Algorithm Based on Heuristic Function

MA PengweiPAN Dilin

(School of Computer Science and Engineering, Anhui University of Science and Technology, Huainan232001)

AbstractReinforcement learning is an important method of machine learning research. The success in robot path planning, intelligent control and many other successful application in decision making problems make it become an important component of machine learning. But it is also has the problem of slow convergence, slow learning, exploration and utilization of balance. In this paper, an improved algorithm is proposed based on SARSA (λ), which can extract features form the environment and get the heuristic function for strategy and reward function to accelerate the convergence speed. Through simulation comparison, this improved algorithm has faster reward feedback than SARSA(λ), it is showed that the effectiveness of the algorithm in the learning of knowledge.

Key Wordsreinforcement learning, SARSA(λ), heuristic function, assessment learning

* 收稿日期:2015年11月6日,修回日期:2015年12月26日

作者簡介:馬朋委,男,碩士,研究方向:機(jī)器學(xué)習(xí)。潘地林,男,教授,研究方向:機(jī)器學(xué)習(xí)。

中圖分類號TP301.6

DOI:10.3969/j.issn.1672-9722.2016.05.011