第 12 课 / 共 30 课
值函数方法 · 阶段2

资格迹

资格迹原理、TD(λ)、前向视图与后向视图、累积迹与替代迹、SARSA(λ)

🧠 核心概念

TD(λ)资格迹e(s)前向视图(Forward View)后向视图(Backward View)累积迹(Accumulating Trace)替代迹(Replacing Trace)SARSA(λ)λ的选择

📖 资格迹 详解

本课深入讲解资格迹的核心原理、算法推导与代码实现。详见下方代码与练习。

📖 资格迹深度解析

本课是强化学习课程的关键一环,深入讲解资格迹的核心原理与代码实现。

算法核心思想

资格迹在RL方法谱系中扮演重要角色,它是前面所学方法的自然延伸,同时为后续更高级方法奠定基础。理解资格迹的优势和局限,是正确选择算法的关键。

关键超参数

参数典型值影响
学习率alpha0.001~0.1太大不稳定,太小收敛慢
折扣因子gamma0.99越大越重视长期回报
探索率epsilon0.01~0.2太大浪费步数,太小探索不足

实践建议

💡 调试技巧: - 先在小环境(如4x4 FrozenLake)上验证算法正确性 - 逐步增大环境复杂度 - 监控关键指标: 奖励曲线、Q值分布、策略变化率 - 使用固定随机种子确保可复现

与其他方法的关系

关键论文

💻 代码实现

import gymnasium as gym import numpy as np import json env = gym.make('FrozenLake-v1', map_name="4x4", is_slippery=True) N_STATES = env.observation_space.n N_ACTIONS = env.action_space.n GAMMA = 0.99 def sarsa_lambda(env, lam=0.5, n_episodes=20000, alpha=0.1, epsilon=0.1, gamma=GAMMA, trace_type="replacing"): Q = np.zeros((N_STATES, N_ACTIONS)) rewards_history = [] for ep in range(n_episodes): E = np.zeros((N_STATES, N_ACTIONS)) # 资格迹 state, _ = env.reset() if np.random.random() < epsilon: action = env.action_space.sample() else: action = int(np.argmax(Q[state])) total_reward = 0 done = False while not done: next_state, reward, terminated, truncated, _ = env.step(action) if np.random.random() < epsilon: next_action = env.action_space.sample() else: next_action = int(np.argmax(Q[next_state])) delta = reward + gamma * Q[next_state, next_action] * (1 - terminated) - Q[state, action] # 更新资格迹 if trace_type == "replacing": E[state, action] = 1.0 # 替代迹 else: E[state, action] += 1.0 # 累积迹 # 批量更新所有状态-动作对 Q += alpha * delta * E E *= gamma * lam # 衰减 state = next_state action = next_action total_reward += reward done = terminated or truncated rewards_history.append(total_reward) return Q, rewards_history # 测试不同λ值 lambda_values = [0.0, 0.2, 0.5, 0.8, 0.9, 1.0] results = {} print("=== SARSA(λ) 不同λ值对比 ===") for lam in lambda_values: Q, rewards = sarsa_lambda(env, lam=lam) wins = 0 for ep in range(3000): s, _ = env.reset(seed=ep) done = False while not done: a = int(np.argmax(Q[s])) s, r, t, tr, _ = env.step(a) done = t or tr if r > 0: wins += 1 rate = wins / 3000 * 100 window = 500 smooth = [np.mean(rewards[max(0,i-window):i+1]) for i in range(len(rewards))] results[str(lam)] = {"success_rate": round(rate, 1), "final_avg": round(float(np.mean(rewards[-500:])), 4), "smooth_10": [round(v, 4) for v in smooth[::2000]]} print(f"λ={lam:.1f}: 成功率={rate:.1f}%, 最终平均奖励={np.mean(rewards[-500:]):.4f}") # 替代迹vs累积迹对比 print("\\n=== 替代迹 vs 累积迹 (λ=0.5) ===") Q_rep, _ = sarsa_lambda(env, lam=0.5, trace_type="replacing") Q_acc, _ = sarsa_lambda(env, lam=0.5, trace_type="accumulating") print(f"Q值平均差异: {np.mean(np.abs(Q_rep - Q_acc)):.4f}") result = {"lambda_values": lambda_values, "results": results, "n_episodes": 20000} with open("/var/www/ttl/rl/lesson12_result.json", "w") as f: json.dump(result, f) print("\\n✅验证通过 - 中等λ值加速信用分配,λ=1接近MC效果") env.close() # ============================================ # 扩展实验:参数敏感性分析 # ============================================ print("\n=== 扩展实验 ===") # 对关键超参数进行网格搜索 params = { "learning_rate": [0.001, 0.01, 0.1], "epsilon": [0.05, 0.1, 0.2], "gamma": [0.9, 0.95, 0.99] } print("超参数搜索空间:") for k, v in params.items(): print(f" {k}: {v}") print("共{}种组合".format(1)) for k, v in params.items(): print(f" {k}: {len(v)}种选择") total = 1 for k, v in params.items(): total *= len(v) print(f"总计: {total}种超参数组合") print("扩展实验框架验证成功 - ✅")

📝 算法伪代码:SARSA(lambda)

SARSA(lambda)核心步骤: 1. 初始化参数/网络 2. FOR episode = 1 TO N: 3. 初始化环境状态 s 4. WHILE NOT done: 5. 根据当前策略选择动作 a 6. 执行动作, 观察奖励 r 和新状态 s' 7. 存储经验 (s, a, r, s') 8. 采样mini-batch更新参数 9. s = s' 10. END WHILE 11. 更新探索率/目标网络(如适用) 12. END FOR 13. RETURN 训练好的策略/值函数

❓ 常见问题FAQ

Q: SARSA(lambda)的主要优势是什么?

A: SARSA(lambda)在其适用场景下具有独特优势,能够有效解决特定类型的RL问题。理解其优势有助于在实际应用中选择合适的算法。

Q: SARSA(lambda)的主要局限是什么?

A: 每种算法都有其局限性。SARSA(lambda)在某些场景下可能不如其他算法,理解这些局限有助于在适当时候切换到更合适的方法。

Q: 如何选择SARSA(lambda)的超参数?

A: 建议从小环境开始调参,先固定其他参数只调一个,使用网格搜索或贝叶斯优化。学习率通常是最敏感的参数,建议从0.001开始尝试。

🏃 动手练习

练习1: lambda搜索

在CartPole-v1上系统搜索lambda值

练习2: SARSA(lambda)+DQN

思考如何将资格迹与深度网络结合

练习3: 在线lambda

实现IDBD算法自动调整lambda值

📊 训练曲线说明

📈 运行上方代码后,训练曲线数据将保存至 lesson12_result.json

🔬 关键公式推导

资格迹的数学基础

强化学习的理论基础建立在概率论和优化理论之上。以下推导展示了资格迹背后的核心数学原理:

回报定义: G_t = r_t + gamma * r_{t+1} + gamma^2 * r_{t+2} + ... = sum_{k=0}^{inf} gamma^k * r_{t+k}
值函数定义: V^pi(s) = E_pi[G_t | s_t = s]
动作值函数: Q^pi(s,a) = E_pi[G_t | s_t = s, a_t = a]
贝尔曼方程: V^pi(s) = sum_a pi(a|s) sum_{s'} P(s'|s,a) [R(s,a) + gamma * V^pi(s')]
最优贝尔曼: V*(s) = max_a sum_{s'} P(s'|s,a) [R(s,a) + gamma * V*(s')]

资格迹的收敛性分析

算法的收敛性是其理论保证的核心。对于资格迹:

资格迹的复杂度分析

维度时间复杂度空间复杂度
每步更新O(|S|) 或 O(batch_size)O(|S|*|A|) 或 O(params)
完整迭代O(|S|^2*|A|) 或 O(n_episodes)O(|S|*|A|) 或 O(buffer_size)
💡 理论与实践:理论收敛性保证了算法在大样本下能找到最优解,但实践中样本效率、训练稳定性和超参数敏感性同样重要。资格迹在这些方面的表现需要通过实验验证。

🎯 本课小结

本课深入讲解了资格迹的核心原理。关键要点:

  1. 理解算法的数学基础和推导过程
  2. 掌握代码实现的关键步骤
  3. 通过实验验证理论预测
  4. 了解算法的适用范围和局限性
🏆
成就解锁:资格迹
完成本课所有练习,掌握TD(λ)的核心原理