从方程到迭代

Bellman 方程是一个递归恒等式，是价值函数必须满足的真命题，还不是一个计算它的具体流程。本章补上这一步，而且要补三次：评估一个固定策略、改进一个策略、以及把这两件事压缩成单次回代。

这里的一切都假设环境的动态 P(s′∣s,a)P(s' \mid s,a) 和 R(s,a)R(s,a) 事先完全已知。这个前提值得开门见山地点名：这是规划（planning），还不是从采样经验中学习。第一章把这条线画成了”基于模型 / 无模型”的分野，而本章完全生活在”模型已知”的那一侧。最后一节会回到这个假设被拿掉之后的情形，那也正是本系列后面部分存在的理由。

有一个想法撑起了下面全部三个算法，值得先说在前面：它们每一个都是某个算子的不动点迭代，而这个算子恰好都是压缩映射。这一点一旦确立，存在性、唯一性和收敛性就会由同一个定理一起交付，后面再也不必重新论证。

策略评估

定义策略评估

给定一个马尔可夫决策过程和一个固定策略 π\pi，策略评估要解决的问题是：为每一个状态计算 Vπ(s)V^\pi(s)（或 Qπ(s,a)Q^\pi(s,a)）。这是预测问题：这个给定的策略到底有多好？还不是寻找一个更好策略的控制问题。

固定住 π\pi，会让这个 MDP 在马尔可夫阶梯上退回一级：用 π\pi 把动作平均掉之后，一个 MDP 就变成了它所诱导出的马尔可夫奖励过程：

Pπ(s′∣s)=∑aπ(a∣s)P(s′∣s,a),Rπ(s)=∑aπ(a∣s)R(s,a),P^\pi(s' \mid s) = \sum_a \pi(a \mid s)P(s' \mid s,a), \qquad R^\pi(s) = \sum_a \pi(a \mid s)R(s,a),

而 VπV^\pi 恰好就是这个诱导出的 MRP 的价值函数。注意到这一点很有用，因为它说明策略评估并不是一个新问题，即它就是上一章里那同一个不动点方程，只不过被限制在了某一个固定策略上。

定义Bellman 期望算子

定义作用在任意函数 V:S→RV: S \to \mathbb{R} 上的算子 TπT^\pi：

(TπV)(s)=∑aπ(a∣s)[R(s,a)+γ∑s′P(s′∣s,a)V(s′)](T^\pi V)(s) = \sum_a \pi(a \mid s) \left[ R(s,a) + \gamma \sum_{s'}P(s' \mid s,a)V(s') \right]

Bellman 期望方程，现在变成了一句话：VπV^\pi 是 TπT^\pi 的一个不动点，即 TπVπ=VπT^\pi V^\pi = V^\pi。把这个方程重新表述成一个算子上的不动点条件，正是让它的”可计算性”变得可以被证明、而不只是显得合理的关键一步。

引理Bellman 期望算子是一个压缩映射

对任意两个函数 V1,V2:S→RV_1, V_2 : S \to \mathbb{R}，用 sup 范数 ∥V∥∞=max⁡s∣V(s)∣\lVert V \rVert_\infty = \max_s \lvert V(s) \rvert 度量距离，有

∥TπV1−TπV2∥∞≤γ∥V1−V2∥∞\lVert T^\pi V_1 - T^\pi V_2 \rVert_\infty \le \gamma \lVert V_1 - V_2 \rVert_\infty
证明

对任意状态 ss，

(TπV1)(s)−(TπV2)(s)=γ∑aπ(a∣s)∑s′P(s′∣s,a)(V1(s′)−V2(s′)),(T^\pi V_1)(s) - (T^\pi V_2)(s) = \gamma \sum_a \pi(a \mid s) \sum_{s'} P(s' \mid s,a) \big(V_1(s') - V_2(s')\big),

因为奖励项 R(s,a)R(s,a) 被抵消了。把每一个差 V1(s′)−V2(s′)V_1(s')-V_2(s') 用 ∥V1−V2∥∞\lVert V_1 - V_2\rVert_\infty 界住，再把这个界从两层求和里提出来：

∣(TπV1)(s)−(TπV2)(s)∣≤γ∥V1−V2∥∞∑aπ(a∣s)∑s′P(s′∣s,a).\big| (T^\pi V_1)(s) - (T^\pi V_2)(s) \big| \le \gamma \lVert V_1 - V_2 \rVert_\infty \sum_a \pi(a \mid s) \sum_{s'} P(s' \mid s,a).

π(⋅∣s)\pi(\cdot \mid s) 和 P(⋅∣s,a)P(\cdot \mid s,a) 都是概率分布，所以内外两层求和都等于 11，剩下 γ∥V1−V2∥∞\gamma \lVert V_1 - V_2 \rVert_\infty。这个界对每一个 ss 都成立，所以对左边关于 ss 取最大值之后也成立。

注为什么压缩性质能保证收敛

这里就是回报兑现的地方。TπT^\pi 是完备度量空间 (R∣S∣,∥⋅∥∞)(\mathbb{R}^{|S|}, \lVert \cdot \rVert_\infty) 上一个压缩系数为 γ∈[0,1)\gamma \in [0,1) 的压缩映射。Banach 不动点定理可以直接应用：TπT^\pi 有唯一的不动点，并且从任意初始猜测 V0V_0 出发，序列 Vk+1=TπVkV_{k+1} = T^\pi V_k 都会收敛到这个不动点，收敛速率是几何式的：∥Vk−Vπ∥∞≤γk∥V0−Vπ∥∞\lVert V_k - V^\pi \rVert_\infty \le \gamma^k \lVert V_0 - V^\pi \rVert_\infty。这一个事实，同时解释了 Bellman 期望方程为什么有唯一解，以及反复应用它作为更新规则为什么保证能找到这个解。

算法迭代策略评估

任意初始化 V0V_0。对 k=0,1,2,…k = 0, 1, 2, \dots 重复：

Vk+1(s)=∑aπ(a∣s)[R(s,a)+γ∑s′P(s′∣s,a)Vk(s′)]对每一个 s,V_{k+1}(s) = \sum_a \pi(a \mid s)\left[R(s,a) + \gamma \sum_{s'}P(s' \mid s,a)V_k(s')\right] \qquad \text{对每一个 } s,

直到 VkV_k 不再明显变化为止。上面的引理保证了 Vk→VπV_k \to V^\pi。

从知道一个策略的价值，到改进它

知道 VπV^\pi 并不等于知道 π\pi 好不好。下一个问题是：如何用 VπV^\pi 得到一个更好的策略？而且很值得注意的是，一个纯粹贪心、只往前看一步的规则就足够了。

定义策略改进

给定 QπQ^\pi，相对于它的贪心策略是

π′(s)=arg⁡max⁡aQπ(s,a)\pi'(s) = \arg\max_a Q^\pi(s,a)

这个贪心策略”不会更差”、并且只要还有改进空间就”严格更好”，这件事本身并不显然，因为 π′\pi' 只用了一步前瞻，而且是针对一个本身就假设”此后永远遵循旧策略 π\pi“的价值函数来定义的。下面这个定理，正是它依然有效的原因。

定理策略改进定理

如果对每一个状态 ss 都有 π′(s)=arg⁡max⁡aQπ(s,a)\pi'(s) = \arg\max_a Q^\pi(s,a)，那么对每一个状态 ss 都有 Vπ′(s)≥Vπ(s)V^{\pi'}(s) \ge V^\pi(s)。

证明

因为 Vπ(s)V^\pi(s) 是 Qπ(s,a)Q^\pi(s,a) 在 a∼π(⋅∣s)a \sim \pi(\cdot \mid s) 下的一个平均值，它不可能超过 ss 处可得的最优动作价值，而按构造，π′(s)\pi'(s) 恰好取到了这个最优值：

Vπ(s)≤max⁡aQπ(s,a)=Qπ(s,π′(s)).V^\pi(s) \le \max_a Q^\pi(s,a) = Q^\pi(s, \pi'(s)).

用动作价值的 Bellman 方程展开右边，但把动作固定为 π′(s)\pi'(s)：

Vπ(s)≤R(s,π′(s))+γ∑s′P(s′∣s,π′(s)) Vπ(s′).V^\pi(s) \le R(s,\pi'(s)) + \gamma \sum_{s'} P(s' \mid s,\pi'(s))\, V^\pi(s').

同样的不等式 Vπ(x)≤Qπ(x,π′(x))V^\pi(x) \le Q^\pi(x,\pi'(x)) 在每一个状态 xx 处都成立，当然也包括右边出现的每一个 s′s'。把它代入替换 Vπ(s′)V^\pi(s')，就是把”再往后一步的价值”替换成”再遵循 π′\pi' 走一步得到的奖励，加上一个关于两步之后的、更松的上界”：

Vπ(s)≤Eπ′[Rt+1+γRt+2+γ2Vπ(St+2)∣St=s],V^\pi(s) \le \mathbb{E}_{\pi'}\big[R_{t+1} + \gamma R_{t+2} + \gamma^2 V^\pi(S_{t+2}) \mid S_t = s\big],

这里的期望是对环境的转移取的，而沿途每一个动作都由 π′\pi' 选择。把这个代换归纳地重复 kk 次，对任意 kk 都有：

Vπ(s)≤Eπ′[∑i=1kγi−1Rt+i+γkVπ(St+k) | St=s].V^\pi(s) \le \mathbb{E}_{\pi'}\left[\sum_{i=1}^{k} \gamma^{i-1} R_{t+i} + \gamma^{k} V^\pi(S_{t+k}) \,\middle|\, S_t = s\right].

假设 VπV^\pi 是有界的（只要奖励有界且 γ<1\gamma < 1，这自然成立），那么当 k→∞k \to \infty 时尾项 γkVπ(St+k)→0\gamma^{k} V^\pi(S_{t+k}) \to 0。取极限，这个有限的部分和就变成了 π′\pi' 下完整的折扣回报：

Vπ(s)≤Eπ′[Gt∣St=s]=Vπ′(s).V^\pi(s) \le \mathbb{E}_{\pi'}\big[G_t \mid S_t = s\big] = V^{\pi'}(s).
推论没有改进就意味着已经最优

如果策略改进没有产生任何变化，即 π′=π\pi' = \pi，那么对每一个 ss 都有 Vπ(s)=max⁡aQπ(s,a)V^\pi(s) = \max_a Q^\pi(s,a)，这恰好就是 Bellman 最优性方程。由于该方程的解是唯一的，所以 Vπ=V∗V^\pi = V^*，π\pi 就是一个最优策略。

正是这条推论，把”交替进行评估和改进”变成了一个真正带有停止条件的控制算法，而不是一个可能永远循环下去的启发式做法。

算法策略迭代

任意初始化 π0\pi_0。对 k=0,1,2,…k = 0, 1, 2, \dots 重复：

  1. 评估：计算 VπkV^{\pi_k}（可以用迭代策略评估，也可以精确求解线性方程组）。
  2. 改进：对每一个 ss，令 πk+1(s)=arg⁡max⁡aQπk(s,a)\pi_{k+1}(s) = \arg\max_a Q^{\pi_k}(s,a)。

当 πk+1=πk\pi_{k+1} = \pi_k 时停止；由上面的推论，此时 πk\pi_k 就是最优的。

这个循环里的每一个中间策略 πk\pi_k，都是一个真实的、被完整评估过的策略，它本身就是一个有意义的对象，而不只是草稿。而这恰好就是下一节刻意放弃的东西。

策略迭代交替完成两件事。策略迭代交替进行评估与改进，价值迭代则在每次回代中直接选择最佳动作。

策略迭代交替完成两件事。策略迭代交替进行评估与改进，价值迭代则在每次回代中直接选择最佳动作。

策略迭代交替进行评估与改进，价值迭代则在每次回代中直接选择最佳动作。

不等待的最优性回代

策略迭代为了保有干净的中间策略，付出的代价是一个内层循环：每做一次改进之前，都要先让策略评估完全收敛。价值迭代把评估和改进压缩成一次回代，而且直接作用在最优性方程上，而不是期望方程上。

定义Bellman 最优性算子
(T∗V)(s)=max⁡a[R(s,a)+γ∑s′P(s′∣s,a)V(s′)](T^* V)(s) = \max_a \left[R(s,a) + \gamma \sum_{s'}P(s' \mid s,a)V(s')\right]

V∗V^* 是 T∗T^* 的不动点，这不过是把 Bellman 最优性方程重新写成 T∗V∗=V∗T^*V^* = V^*。要证明 T∗T^* 也是一个压缩映射，比上面 TπT^\pi 的证明多需要一件工具，因为对动作取 max⁡\max，不像按 π\pi 加权平均那样是线性的。

引理取最大值不会让差距变得更大

对定义在同一个有限定义域上的任意两个函数 f,gf, g，

∣max⁡af(a)−max⁡ag(a)∣≤max⁡a∣f(a)−g(a)∣\left| \max_a f(a) - \max_a g(a) \right| \le \max_a \left| f(a) - g(a) \right|
证明

设 a∗=arg⁡max⁡af(a)a^* = \arg\max_a f(a)。那么

max⁡af(a)−max⁡ag(a)=f(a∗)−max⁡ag(a)≤f(a∗)−g(a∗)≤max⁡a∣f(a)−g(a)∣,\max_a f(a) - \max_a g(a) = f(a^*) - \max_a g(a) \le f(a^*) - g(a^*) \le \max_a |f(a)-g(a)|,

中间一步用到了 max⁡ag(a)≥g(a∗)\max_a g(a) \ge g(a^*)。交换 ff 和 gg 的角色，同样可以得到 max⁡ag(a)−max⁡af(a)\max_a g(a) - \max_a f(a) 的界。把两个方向合在一起，就得到了要证明的绝对值不等式。

推论Bellman 最优性算子同样是压缩映射

∥T∗V1−T∗V2∥∞≤γ∥V1−V2∥∞\lVert T^*V_1 - T^*V_2\rVert_\infty \le \gamma \lVert V_1-V_2\rVert_\infty。

证明

固定一个状态 ss，把刚证明的引理应用在 f(a)=R(s,a)+γ∑s′P(s′∣s,a)V1(s′)f(a) = R(s,a)+\gamma\sum_{s'}P(s'\mid s,a)V_1(s') 和 g(a)=R(s,a)+γ∑s′P(s′∣s,a)V2(s′)g(a) = R(s,a)+\gamma\sum_{s'}P(s'\mid s,a)V_2(s') 上，使得 max⁡af(a)=(T∗V1)(s)\max_a f(a) = (T^*V_1)(s)、max⁡ag(a)=(T∗V2)(s)\max_a g(a) = (T^*V_2)(s)：

∣(T∗V1)(s)−(T∗V2)(s)∣=∣max⁡af(a)−max⁡ag(a)∣≤max⁡a∣f(a)−g(a)∣.\big|(T^*V_1)(s) - (T^*V_2)(s)\big| = \left|\max_a f(a) - \max_a g(a)\right| \le \max_a |f(a) - g(a)|.

在 f(a)−g(a)f(a)-g(a) 里，奖励项被抵消，对每一个固定的 aa 都剩下 f(a)−g(a)=γ∑s′P(s′∣s,a)(V1(s′)−V2(s′))f(a)-g(a) = \gamma\sum_{s'}P(s'\mid s,a)\big(V_1(s')-V_2(s')\big)，这恰好就是 TπT^\pi 压缩性证明里被界住的那个量。同样的步骤可以原封不动地照搬过来：用 ∥V1−V2∥∞\lVert V_1-V_2\rVert_\infty 界住每一个 V1(s′)−V2(s′)V_1(s')-V_2(s')，再用 P(⋅∣s,a)P(\cdot\mid s,a) 求和为 11，就得到对每一个 aa 都有 ∣f(a)−g(a)∣≤γ∥V1−V2∥∞|f(a)-g(a)| \le \gamma\lVert V_1-V_2\rVert_\infty，从而 max⁡a∣f(a)−g(a)∣≤γ∥V1−V2∥∞\max_a|f(a)-g(a)| \le \gamma\lVert V_1-V_2\rVert_\infty。和第一个不等式结合，就得到对每一个 ss 都有 ∣(T∗V1)(s)−(T∗V2)(s)∣≤γ∥V1−V2∥∞|(T^*V_1)(s)-(T^*V_2)(s)| \le \gamma\lVert V_1-V_2\rVert_\infty，因此在 sup 范数下同样的界也成立。

因为 T∗T^* 在同一个完备度量空间上也是压缩系数为 γ\gamma 的压缩映射，Banach 不动点论证可以原封不动地再用一次：T∗T^* 有唯一的不动点，并且无论初始猜测是否对应任何一个实际策略的价值，都会以几何速率收敛到这个不动点。

算法价值迭代

任意初始化 V0V_0。对 k=0,1,2,…k = 0, 1, 2, \dots 重复：

Vk+1(s)=max⁡a[R(s,a)+γ∑s′P(s′∣s,a)Vk(s′)]对每一个 s,V_{k+1}(s) = \max_a \left[R(s,a) + \gamma \sum_{s'}P(s' \mid s,a)V_k(s')\right] \qquad \text{对每一个 } s,

直到 VkV_k 不再明显变化；然后提取策略：

π∗(s)=arg⁡max⁡a[R(s,a)+γ∑s′P(s′∣s,a)V∗(s′)].\pi^*(s) = \arg\max_a \left[R(s,a) + \gamma \sum_{s'}P(s' \mid s,a)V^*(s')\right].

这个交互图需要启用 JavaScript。

和策略迭代不同，这个过程中产生的中间量 VkV_k 不需要等于任何一个策略的价值函数，它们只是被朝着 V∗V^* 推动的临时规划估计，而不是对智能体当下正在做的某件事的评估。这里的取舍是明确的：策略迭代在每一步都保有一个有意义的策略，代价是一个完整的内层评估循环；价值迭代每个外层步骤只做一次回代，代价是中间的价值在收敛之前本身没有任何意义。

规划不再够用的地方

本章里的每一个方法，都假设转移模型 P(s′∣s,a)P(s' \mid s,a) 和奖励函数 R(s,a)R(s,a) 是完全已知的。正是这个假设，才使得对下一状态求精确的期望、或者求精确的最大值，成为一个良定义的计算。

一旦这个假设被拿掉，环境必须靠交互和采样去了解、而不能当作一个已知函数去查询，上面这些算法就都不再能直接计算了，因为它们都无法在不知道 PP 的情况下求出 ∑s′P(s′∣s,a)(⋅)\sum_{s'}P(s'\mid s,a)(\cdot)。注意这次失效有多彻底：不是算法变慢了或者变得不够准，而是每一个算法里都有一项，直接写不出来了。

而这正是基于采样的方法存在的理由：当模型不可用、无法直接拿来回代时，改为从 rollout 中估计同样的那些底层量，即回报与价值。作为概率分布的策略会搭建这类方法所优化的那个对象，策略梯度则推导具体怎么做。

参考资料

  • Datawhale Easy RL 第二章
  • Bellman, R. (1957). Dynamic Programming. Princeton University Press.
  • Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.), Chapter 4.