Updates dl/reinforcement/dynamic-programming.md

Auto commit by GitBook Editor

Author: shunliz

assets/deterministic-value-iteration.png

@@ -4,13 +4,15 @@
    * 解决复杂问题的一种方法。将多阶过程分解为一些列单阶段问题，逐个求解，最后结合起来以解决这类过程优化问题。
    * 同时，将这些子问题的解保存起来，如果下一次遇到了相同的子问题，则不需要重新计算子问题的解。
 2. **DP主要用于解决含有以下两点特性的问题**
- 
+
    * 最优子结构：最优解能被分解为子问题，最优应用原则
    * 覆盖子问题：子问题多次出现，子问题的解可以被缓存和重复利用
+
 3. MDPs满足上述两条性质
- 
+
    * 贝尔曼等式给出递归分解形式，可以切分成子问题。
    * 值函数存储和重复利用可行解，即保存了子问题的解**=>**可以通过DP求解MDPs
+
 4. 应用：用于MDP中的决策问题
 
 针对MDP，切分的子问题就是在每个状态下应该选择哪个action。同时，这一时刻的子问题取决于上一时刻的子问题选择了哪个action。
@@ -24,7 +26,7 @@
 基于当前的policy计算出每个状态的value function。
 
 1. **Iterative Policy Evaluation，策略迭代估计**
- 
+
    * 问题：评估一个给定的策略
    * 解决方法：迭代，贝尔曼期望备份，
      v1→v2→⋯→vπ
@@ -48,8 +50,63 @@ evaluate the policy π：vπ\(s\)=E\[Rt+1+γRt+2+⋯\|St=s\]
 
 improve the policy by acting greedy with respect to vπ：π′=greedy\(vπ\)
 
-注意：**该策略略迭代过程总是会收敛到最优策略π∗。**  
+注意：**该策略略迭代过程总是会收敛到最优策略π∗。**
+
+
+
+## **4. Value Iteration** {#4-value-iteration}
+
+1. **Value Iteration in MDPs**  
+   最优化原理：当且仅当任何从状态s能达到的状态s’都能在当前状态下取得最优的value时，那么状态s也能在当前的policy下获得最优的value。即vπ\(s\)=v∗\(s\)。
+
+   任何最优策略都可以被细分为两部分：
+
+   * 最优的第一个action A∗
+   * 接下来后续状态s’下的最优策略
+
+2. **Deterministic Value Iteration**  
+   如果已知子问题的最优解v∗\(s′\)，则可以通过第一个Bellman Optimality Equation将v∗\(s\)也求出来，因此从终点向起点推导就可以推出所有的状态最优值。
+
+![](/assets/deterministic-value-iteration.png)
+
+Value Iteration通过迭代的方法，通过这一步的vk\(s′\)更新下一步的vk+1\(s\)，不断迭代，最终收敛到最优的v∗。
+
+
+
+**\*注意：中间生成的value function不对应任何policy。**
+
+1. **Policy Iteration和Value Iteration有什么本质区别？为什么一个叫policy iteration，一个叫value iteration呢？**
+ 
+   * 原因其实很好理解，policy iteration使用bellman方程来更新value，最后收敛的value 即vπ是当前policy下的value值（所以叫做对policy进行评估），目的是为了后面的policy improvement得到新的policy。
+   * 而value iteration是使用bellman 最优方程来更新value，最后收敛得到的value即v∗就是当前state状态下的最优的value值。因此，只要最后收敛，那么最优的policy也就得到的。因此这个方法是基于更新value的，所以叫value iteration。
+   * 从上面的分析看，value iteration较之policy iteration更直接。不过问题也都是一样，需要知道状态转移函数p才能计算。本质上依赖于模型，而且理想条件下需要遍历所有的状态，这在稍微复杂一点的问题上就基本不可能了。
+2. 针对MDPs要解决的2个问题，有如下解决办法：
+   * 针对prediction
+     目标是在已知policy下得到收敛的value function，因此针对问题不断迭代计算Bellman Expectation Equation就足够了。
+   * 针对control
+     需要同时获得最优的policy，那么在Iterative policy evaluation基础上加入一个选择policy的过程就行。此外，通过value iteration在得到最优的value function后推导出最优policy。
+
+   整理：
+
+   | 问题 | 贝尔曼方程 | 解决算法 |
+   | :--- | :--- | :--- |
+   | Prediction | Bellman Expectation Equation | Iterative Policy Evaluation |
+   | Control | Bellman Expectation Equation & Greedy Policy Improvement | Policy Iteration |
+   | Control | Bellman Optimality Equation | Value Iteration |
+
+  
+   **5. DP的一些扩展**
+
+   1. **Asynchronous Dynamics Programming 异步动态规划**
+      那么上面的算法的核心是更新每个状态的value值。那么可以通过运行多个实例同时采集样本来实现异步更新。而基于异步更新的思想，DeepMind出了一篇不错的paper：Asynchronous Methods for Deep Reinforcement Learning该文对于Atari游戏的效果得到大幅提升。
+   2. **Full-Width Backups &Sample Backups**
+   3. **Approximate DP**
+
+   ---
+
+   ## **6. Contraction Mapping 压缩映射** {#6-contraction-mapping-压缩映射}
 
+   压缩映射定理为本节的主要数学依据，解释了为何value iteration收敛于v∗，为何Policy Evaluation收敛于vπ，为何Policy Iteration收敛于v∗。