【NeurIPS 2019】最大熵的蒙特卡洛规划算法

  • 论文题目:Maximum Entropy Monte-Carlo Planning

标题及作者信息

所解决的问题?

  1. 作者提出了一个新的stochastic softmax bandit框架;
  2. 将其扩展到MCTS上,得到了 Maximum Entropy for Tree Search (MENTS)算法。

  将softmax state value 引入,在back-propaganda过程中会更容易收敛。作者在理论和实验部分都验证了这两个想法。

背景

MCTS

   Monte Carlo Tree Search (MCTS) 是一种非常好的能够获取全局最优的算法,同时也可以通过引入先验知识对其进行加强。它的核心问题在于exploitationexploration的平衡。而MCTS的收敛性高度依赖于state value estimation。而MCTS通过simulation获得当前状态的估计这种做法并不是非常高效,因此在sample的过程中你的policy会发生改变,导致你的序列期望收益会发生漂移(drift),因此 UCT can only guarantee a polynomial convergence rate of finding the best action at the rootMCTS主要可以分为两步:1. tree policy选择action,直到到达叶子节点。2. 一个evaluation function需要评估simulation return,你可以选择近函数近似的方式来逼近这个值,但是在MCTS中采用的是roll-out policy获取simulation return

  maximum upper confidence bound(UCB)算法用于平衡探索和利用:

$$\operatorname{UCB}(s, a)=Q(s, a)+c \sqrt{\frac{\log N(s)}{N(s, a)}}$$

  其中$N(s)=\sum_{a}N(s,a)$,$c$是控制exploration的参数。

Maximum Entropy Policy Optimization

  最大熵的策略优化问题其实就是在expected reward目标上引入一个entropy的约束。可表示为:

$$\max _{\pi}\{\pi \cdot \mathbf{r}+\tau \mathcal{H}(\pi)\}$$

  其中$\tau$是控制exploration的参数。定义softmax $\mathcal{F_{\tau}}$和soft indmax $\mathbf{f}_{\tau}$:

$$\mathbf{f}_{\tau}(\mathbf{r})=\exp \left\{\left(\mathbf{r}-\mathcal{F}_{\tau}(\mathbf{r})\right) / \tau\right\} $$

$$\quad \mathcal{F}_{\tau}(\mathbf{r})=\tau \log \sum_{a} \exp (r(a) / \tau)$$

  其中的关系为:

$$\mathcal{F}_{\tau}(\mathbf{r})=\max _{\pi}\{\pi \cdot \mathbf{r}+\tau \mathcal{H}(\pi)\}=\mathbf{f}_{\tau}(\mathbf{r}) \cdot \mathbf{r}+\tau \mathcal{H}\left(\mathbf{f}_{\tau}(\mathbf{r})\right)$$

  因此用softmax value function去替代hard-max operator可以得到softmax operator

$$Q_{\mathrm{sft}}^{*}(s, a)=R(s, a)+\mathbb{E}_{s^{\prime} | s, a}\left[V_{\mathrm{sft}}^{*}\left(s^{\prime}\right)\right]$$

$$V_{\mathrm{sft}}^{*}(s)=\tau \log \sum_{a} \exp \left\{Q_{\mathrm{sft}}^{*}(s, a) / \tau\right\}$$

  最后可以得到optimal softmax policy

$$\pi_{\mathrm{sft}}^{*}(a | s)=\exp \left\{\left(Q_{\mathrm{sft}}^{*}(s, a)-V_{\mathrm{sft}}^{*}(s)\right) / \tau\right\}$$

Softmax Value Estimationin Stochastic Bandit

  在stochastic bandit中,环境给定的reward是随机的,或者说会满足一个分布。stochastic softmax bandit 问题与传统的stochastic bandits问题的区别在于,它不是期望去找到最大化期望奖励的policy,而是去估计softmax value $V_{sft}^{*} = \mathcal{F}_{\tau}(\mathbf{r})$。定义$U_{t}=\sum_{a} \exp \left\{\hat{r}_{t}(a) / \tau\right\}$,$U^{*}=\sum_{a} \exp \left\{r_{t}(a) / \tau\right\}$。因此会有$V_{t} = \mathcal{F}_{\tau}(\hat{r}_{t})=\tau logU_{t}$,我们的目标就变成了最小化均方差误差$\mathcal{E}$。

$$\mathcal{E}_{t}=\mathbb{E}\left[\left(\hat{U}^{*}-U_{t}\right)^{2}\right]$$

下界定理 Theorem1

  基于上述讨论作者提出了一种解决序贯决策中softmax value估计的办法(Empirical Exponential Weight (E2W) ),直观的理解就是期望足够的探索用于保证得到较好的估计值,进而使得policy收敛于最优策略$\pi^{*}$。动作的采样分布如下所示:

$$\pi_{t}(a)=\left(1-\lambda_{t}\right) \mathbf{f}_{\tau}(\hat{\mathbf{r}})(a)+\lambda_{t} \frac{1}{|\mathcal{A}|}$$

  其中 $\lambda_{t}=\varepsilon|\mathcal{A}| / \log (t+1)$,表示探索的衰减系数。

Theorem2

所采用的方法?

  作者将MCTSmaximum entropy policy结合起来,得到MENTS算法,能够获得更快的收敛速度。两点创新:

  1. 使用E2W算法作为树搜索的策略;

$$\pi_{t}(a | s)=\left(1-\lambda_{s}\right) \mathbf{f}_{\tau}\left(\mathbf{Q}_{\mathrm{sft}}(s)\right)(a)+\lambda_{s} \frac{1}{|\mathcal{A}|}$$

  1. 使用softmax value评估每个节点并用于simulations的反向传播。

  其中Q-Value的估计使用softmax backup

$$Q_{\mathrm{sft}}\left(s_{t}, a_{t}\right)=\left{\begin{array}{ll}
r\left(s_{t}, a_{t}\right)+R & t=T-1 \
r\left(s_{t}, a_{t}\right)+\mathcal{F}_{\tau}\left(\mathrm{Q}_{\mathrm{sft}}\left(s_{t+1}\right)\right) & t<T-1
\end{array}\right.$$

取得的效果?

 synthetic tree environment下的实验结果
规划实验结果

我的微信公众号名称:深度学习先进智能决策
微信公众号ID:MultiAgent1024
公众号介绍:主要研究深度学习、强化学习、机器博弈等相关内容!期待您的关注,欢迎一起学习交流进步!
推荐阅读
关注数
286
内容数
36
主要研究分享深度学习、机器博弈、强化学习等相关内容!公众号:深度学习与先进智能决策
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息