强化学习复习站KNOWLEDGE & PRACTICE
FORM D · WORKED SOLUTIONS

D 卷 · 中文详细解析

逐题说明考什么、怎么想、如何代入,以及容易出错的地方。每题末尾附英文答案要点;简答每个有效得分点 1 分,计算题允许保留正确方法分。

先做题再看解析。标为“进一步理解”的补充不额外计分。

10 questions × 2 points

I. Single-choice questions

20 points

A1. Tabular convergence conditions [2 points]

先把题目读懂

在适当有限 MDP 假设下,表格 SARSA 的经典收敛条件通常需要什么组合?

第一步该想什么?

探索条件负责不要漏掉必要经验,步长条件负责持续学习同时逐渐平均噪声。只满足其中一个不能自动推出结论。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Which combination is relevant to standard tabular SARSA convergence to optimal action values under suitable finite-MDP assumptions?

A. Fixed positive ε and any constant learning rate guarantee convergence.

B. GLIE exploration together with suitable diminishing step-size conditions.

C. Never visiting nongreedy actions.

D. Using a nonlinear neural network alone.

下面跟着题目逐步算

正确答案:B

GLIE 管探索和极限贪心,步长条件管噪声平均和持续学习。常见逐状态动作条件是 Σα=∞、Σα²<∞,并配合有限 MDP、奖励等相应假设。

\sum_n\alpha_n(s,a)=\infty,\qquad\sum_n\alpha_n(s,a)^2<\infty

A 的固定步长可能持续抖动,固定正探索也非极限贪心;C 无法保证必要探索;D 网络本身不提供表格收敛保证。

A2. Expectation over next states [2 points]

先把题目读懂

一个动作先给 1 分,再以0.25到X、0.75到Y;V(X)=8、V(Y)=0、γ=0.5,问动作价值。

第一步该想什么?

第一动作已经指定,不用策略概率。需要平均的是下一状态的环境结果,然后折扣未来,加即时奖励。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

An action gives reward 1 and moves to X or Y with probabilities 0.25 and 0.75. V(X)=8, V(Y)=0 and γ=0.5. What is its one-step action value?

A. 5

B. 3

C. 2

D. 1

下面跟着题目逐步算

正确答案:C

q=1+0.5[0.25(8)+0.75(0)]=2

环境的随机结果不能由你挑选,所以必须按概率平均。A 相当于假定一定去 X;B 未给出符合时序与概率的正确备份;D 漏掉未来部分。

A3. Experience replay [2 points]

先把题目读懂

从回放池随机抽小批量经验有什么主要作用?

第一步该想什么?

连续十帧往往高度相似。把过去各时刻的记录混合后抽样,可以重用经验并减轻训练批次的时间相关性。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

What is a main purpose of sampling minibatches from a replay buffer?

A. To make every stored transition terminal.

B. To avoid storing rewards.

C. To force the policy to be deterministic.

D. To reuse data and reduce the effect of sequential correlations.

下面跟着题目逐步算

正确答案:D

连续经历的状态往往很相似,直接按原顺序训练会强烈相关。回放池中抽取小批量可打散顺序,并多次利用历史经验。

A、B 会破坏经验内容;C 不是回放的作用。随机抽样缓解相关性,不意味着数据和目标因此变成严格独立同分布。

A4. An advantage signal [2 points]

先把题目读懂

某动作 qπ=6,而该状态 vπ=4,问这个动作的 advantage。

第一步该想什么?

优势问“比该状态原策略的平均表现高多少”,因此是在做比较,不是再次求总回报。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

At a fixed state, qπ(s,a)=6 and vπ(s)=4. What is Aπ(s,a)?

A. 10

B. 2

C. 4

D. 6

下面跟着题目逐步算

正确答案:B

A_\pi(s,a)=q_\pi(s,a)-v_\pi(s)=6-4=2

优势是“这个动作比当前策略在该状态的平均表现好多少”,不是总价值本身。A 把两者相加;C 只报 V;D 只报 Q。优势为正并不要求即时奖励也正。

A5. An infinite discounted stream [2 points]

先把题目读懂

持续任务每一步都得 2 分,γ=0.5,问无限未来的折扣回报。

第一步该想什么?

写前几项 2、1、0.5……再看等比级数。无限项可能有有限总和,不能看到“永远”就直接答无穷。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

A continuing task gives reward 2 on every step. If γ=0.5, what is the return?

A. 2

B. 4

C. 1

D. Infinity

下面跟着题目逐步算

正确答案:B

G=2+0.5(2)+0.5^2(2)+\cdots=\frac{2}{1-0.5}=4

无限步不等于无限回报:每一步的权重不断减半,总和仍有限。A 只看一步;C 把折扣乘错;D 忽略 γ<1 的几何级数收敛。

A6. A model versus a value function [2 points]

先把题目读懂

哪些输出属于环境模型预测,哪些属于价值或策略?

第一步该想什么?

模型回答下一步去哪和给多少分;价值回答长期平均得多少;策略回答我选哪一个。先按所回答的问题分类。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Which output is most clearly an environment-model prediction rather than a value prediction?

A. The expected discounted return from a state.

B. The probability of choosing an action.

C. The next-state distribution and expected immediate reward after an action.

D. The advantage of one action.

下面跟着题目逐步算

正确答案:C

模型预测世界下一步怎样变化、给多少奖励。价值函数预测长期累计回报,策略预测或决定选动作的概率。

A 是 V,B 是 π,D 是 A=Q−V。神经网络可以表示其中任意一种,因此是否“用神经网络”不能区分 model-based 和 model-free。

A7. Value iteration [2 points]

先把题目读懂

价值迭代的中间结果有哪些可能性质?特别是动作已经选对与数值已经收敛是否同一回事。

第一步该想什么?

即使两个动作分数都估得不准,它们的高低排序也可能已经正确。先区分“知道选哪个”与“知道精确是多少”。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Which statement about intermediate value-iteration estimates is generally correct?

A. A greedy policy may already be optimal before the numerical values have fully converged.

B. One sweep always gives v*.

C. The same fixed policy must be used forever.

D. Increasing k means taking another real environment action.

下面跟着题目逐步算

正确答案:A

动作只取决于各候选值的排序;数值尚有误差时,排序可能已经正确。因此策略可先于价值数字稳定。

B 一轮通常仅传播一层未来信息;C 混淆策略评估与最优备份;D 把计算轮数 k 当真实环境时间。不能反过来认为任一中间轮的贪心策略必然最优。

A8. TD error [2 points]

先把题目读懂

V(S)=3,奖励−1,γ=0.5,下一状态 V=6,求 TD error。

第一步该想什么?

分两行算:先得到目标,再减旧值。题目问误差,不是问目标,也没有要求乘学习率得到新值。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

V(S)=3, r=-1, γ=0.5 and V(S′)=6 for a nonterminal transition. What is the TD error?

A. 2

B. 0

C. -1

D. -4

下面跟着题目逐步算

正确答案:C

先算目标 y=-1+0.5×6=2,再减当前值 3,δ=2-3=-1。

\delta=r+\gamma V(S')-V(S)=-1

A 是目标值而非误差;B 可能误把 0.5×6=3 当完整目标;D 漏未来项。负误差表示当前估计偏高,应向下调整。

A9. Importance weights [2 points]

先把题目读懂

PER 中 N=4、抽到这条数据的概率0.5、β=1,求未经归一化的重要性权重。

第一步该想什么?

均匀时这条数据应有1/4机会,如今有1/2机会,被抽多了。修正权重要相应调低,而不是再放大。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

In PER with N=4, P(i)=0.5 and β=1, what is the UNNORMALIZED importance weight (N P(i))^(−β)?

A. 0.5

B. 2

C. 4

D. 0.125

下面跟着题目逐步算

正确答案:A

w_i=(4\times0.5)^{-1}=\frac12

均匀时每条概率是 1/4,此条被抽中的概率 1/2 是均匀时的两倍,因此权重降到一半。B 把倒数漏掉;C 忽略抽样概率;D 不是给定公式的结果。本题明确未做最大权重归一化。

A10. A wall in gridworld [2 points]

先把题目读懂

撞墙不移动但扣1分,问该动作的目标是什么。

第一步该想什么?

不移动表示下一状态仍是自己;并不表示什么都没发生。当前扣分和从原位置继续的未来价值都要算。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

In the stated gridworld convention, attempting to move outside the grid keeps the state unchanged and costs -1. Which target is correct for this action?

A. 0

B. V(s)

C. -1

D. -1 + γV(s)

下面跟着题目逐步算

正确答案:D

撞墙后下一状态仍是 s,所以未来项仍为 γV(s),同时这次动作收到了 -1。不是没移动就没有时间流逝或没有奖励。

A 抹掉所有回报;B 漏即时奖励与折扣;C 漏未来价值,只有终止或 V=0 等特殊情况才可能碰巧相同。

5 questions × 5 points

II. Short-answer questions

25 points

B1. Three DP procedures [5 points]

先把题目读懂

区分迭代策略评估、策略迭代、价值迭代,并解释评估中谁固定、改进时谁改变、k 数什么。

第一步该想什么?

想成先给一份走法打分,再换走法。评估只是反复修正分数;策略迭代交替做两件事;价值迭代每轮直接做最优备份。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Distinguish iterative policy evaluation, policy iteration and value iteration. Explain what is fixed during evaluation, what changes during improvement and what k counts. [5 points]

下面跟着题目逐步算

先把名字对应到任务

① 迭代策略评估:固定 π,用 Bellman 期望备份反复更新 V,直到足够接近 vπ。(1 分)

② 策略迭代:评估当前策略,再贪心改进,重复这两阶段。(1 分)

③ 价值迭代:每轮直接执行 Bellman 最优备份,对动作取最大,可视作每次只做有限评估再改进的紧密结合。(1 分)

④ 评估时动作概率 π 不变;改进时用当前价值改变动作选择规则。(1 分)

⑤ k 是计算扫描轮数;同步 Vₖ₊₁ 读取完整 Vₖ,不表示智能体已经在环境走了 k 步。(1 分)

B2. Exploration and tie handling [5 points]

先把题目读懂

m 个动作中 g 个并列最高,写 ε-greedy 的概率,再解释为什么衰减 ε 还不自动等于 GLIE。

第一步该想什么?

先把总概率分成利用1−ε与探索ε,再分别分配给 g 个或 m 个动作。最后再问:这些概率安排是否确保必要状态动作会反复出现。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Give the ε-greedy probabilities for m actions with g tied greedy actions, using uniform exploration over all m actions. Explain why greedy actions also receive exploration probability and why GLIE needs more than a decaying ε. [5 points]

下面跟着题目逐步算
\pi(a\mid s)=\frac{1-\epsilon}{g}+\frac{\epsilon}{m}\quad(a\ \mathrm{greedy})
\pi(a\mid s)=\frac{\epsilon}{m}\quad(a\ \mathrm{nongreedy})

五个得分点

① 贪心动作公式;② 非贪心动作公式;③ 探索从全部动作均匀抽取,因此也可能抽中贪心动作;④ GLIE 要求无限探索以及极限贪心;⑤ ε→0 只直接支持后一方向,是否充分访问还取决于衰减速度、可达性与状态访问。

检查总和:g[(1-ε)/g+ε/m]+(m-g)ε/m=1。若只有一个最优,g=1;若所有动作并列,g=m,最终每个动作仍为 1/m。

B3. Double DQN does not average networks [5 points]

先把题目读懂

用估计噪声解释最大化偏差,写 Double DQN 目标与两网络职责,再给一个限制。

第一步该想什么?

如果几个真实同样好的动作都估得有误差,挑最大就容易挑中误差偏正的那个。分开选择与评价可以缓解这一点,但不是把两网络取平均。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Explain maximization bias using noisy Q estimates. Give the Double DQN target, identify the roles of the online and target networks, and state one limitation of the method. [5 points]

下面跟着题目逐步算

为什么取最大会偏向正误差

两个动作真实价值可能一样,但一个估计偶然偏高。max 更容易选中偏高的那个,于是被选值平均可能过大。这是最大化与估计误差相互作用的结果。(1 分)

a^*=\arg\max_a Q(s',a;\theta),\quad y=r+\gamma Q(s',a^*;\theta^-)

正确目标 1 分;在线网络 θ 负责选择 a* 1 分;目标网络 θ⁻ 负责给同一 a* 打分 1 分。

限制(1 分)

它能缓解过估计,但两个网络并非独立、函数近似与数据都有误差,因此不能保证完全消除偏差或必然收敛。它既不是两组值取平均,也不是两个最大值取较小者。

B4. Numerical PER probabilities [5 points]

先把题目读懂

三条经验绝对 TD 误差为0、1、3;偏置1、优先指数1、修正指数1。求优先级、概率和未经归一化权重,并解释第一条仍可抽中。

第一步该想什么?

分三张小表:先每个误差加1;再除以总优先级7;最后用 N=3 代入重要性权重公式。每一步用前一步的结果,不能把误差直接当概率。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Three transitions have absolute TD errors (0,1,3). Set εₚ=1, αₚ=1 and β=1. Find priorities, sampling probabilities and unnormalized importance weights. Explain why transition 1 can still be sampled. [5 points]

下面跟着题目逐步算

按三个公式依次算

① 优先级 p=|δ|+1=(1,2,4)。(1 分)② 总优先级为 7,所以 P=(1/7,2/7,4/7)。(1 分)

w_i=(3P(i))^{-1}

③ 代入得 w=(7/3,7/6,7/12)。(2 分,公式和数值各 1 分)④ 第一条虽然 TD error=0,正偏置仍令 p₁=1、P₁=1/7>0,不会失去采样机会。(1 分)

本题要未归一化权重,超过 1 不算错。如果再除以最大权重 7/3,会得到 (1,1/2,1/4),但不能拿它冒充题目要求的结果。

B5. Baseline and actor update direction [5 points]

先把题目读懂

无折扣 REINFORCE 中,完整回报3、基线5,问梯度的权重和被选动作概率的局部变化,并解释动作无关基线的理由。

第一步该想什么?

先算表现比参考水平好还是差。负的差值会把提高该动作概率的方向反过来;最后才讨论为什么这个参考水平不会改变期望梯度。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

For an undiscounted REINFORCE update, explain the role of ∇θ log πθ(Aₜ|Sₜ). If Gₜ=3 and b(Sₜ)=5, what is the weight on this gradient, and what is the usual local effect on the selected action probability? Explain why the baseline must not depend on the sampled action in the simple unbiased-baseline argument. [5 points]

下面跟着题目逐步算

把梯度看作一个方向

① ∇logπ 指向增加该采样动作对数概率的局部方向。(1 分)② 回报减基线为 3−5=−2。(1 分)③ 梯度上升更新乘上负权重,会沿反方向移动,通常局部降低该动作概率。(1 分)

④ 固定状态的动作无关基线可从动作期望中提出。(1 分)⑤ Σπ∇logπ=∇Σπ=0,因此额外减去的基线项期望为零;若基线依赖动作,一般不能这样提出和消去。(1 分)

在深度网络一次更新可能同时影响其他状态,且过大的有限步长不保证全局概率单调;题目说的是局部梯度方向。

3 questions: 8 + 8 + 9 points

III. Calculation — MDP

25 points

C1. Rewards correlated with transitions [8 points]

先把题目读懂

只有 S 和终点:一半收到2分回S,一半收到6分结束;γ=0.5。要求奖励期望、真实值、路径S→S→T的回报和前三轮估计。

第一步该想什么?

奖励和转移是配对发生的结果,不是同时领2和6。先对两种结果加权,再写自循环方程;样本回报则只按已发生的2、6计算。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

There is one nonterminal state S and one terminal state T. From S, with probability 0.5 the process returns to S and receives reward 2; with probability 0.5 it enters T and receives reward 6. γ=0.5.

(a) Find the expected immediate reward at S and write the Bellman equation. [2]

(b) Solve for v(S). [2]

(c) For S --2→ S --6→ T, compute both visit returns. [2]

(d) From V₀(S)=0, compute V₁,V₂,V₃ synchronously. [2]

下面跟着题目逐步算

奖励取决于发生了哪条转移

不要把“回到 S 的奖励 2”和“进 T 的奖励 6”当成同时收到。每次只发生其中一个结果。

(a) 先对联合结果求平均(2 分)

期望即时奖励 0.5×2+0.5×6=4。

v(S)=0.5[2+0.5v(S)]+0.5[6+0]=4+0.25v(S)

(b) 解固定点(2 分)

0.75v(S)=4,因此 v(S)=16/3≈5.3333。进入终点的奖励 6 不能丢掉。

(c) 两次访问的回报(2 分)

最后一次 G₁=6;第一次 G₀=2+0.5×6=5。它们是同一状态两次访问对应的样本回报,不必等于其期望 16/3。

(d) 三轮(2 分)

递推 Vₖ₊₁=4+0.25Vₖ。因此 V₁=4,V₂=5,V₃=5.25,逐渐接近 5.3333。

C2. Nonuniform policy probabilities [8 points]

先把题目读懂

A 的 fast 得1结束,support 得0去B;B 的 finish 得3结束,repeat 得1回B。γ=0.5;在A以0.25选fast、0.75选support,在B各半。要求旧策略值、四动作值与改进检查。

第一步该想什么?

A 的动作不是各半,先圈出0.25/0.75。B 的方程只依赖自己,可以先解B再代回A。指定动作求Q后,不要继续乘最初选这个动作的概率。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

γ=0.5. At A, fast gives reward 1 and terminates; support gives reward 0 and moves to B. At B, finish gives reward 3 and terminates; repeat gives reward 1 and returns to B. π(fast|A)=0.25, π(support|A)=0.75; π chooses each B action with probability 0.5.

(a) Write Bellman expectation equations. [2]

(b) Solve for vπ(A),vπ(B). [2]

(c) Find all four qπ values and a greedy policy π′. [2]

(d) Evaluate π′ and verify whether another improvement is possible. [2]

下面跟着题目逐步算

(a) 注意 A 的概率不各一半(2 分)

v_A=0.25(1)+0.75(0.5v_B),\quad v_B=0.5(3)+0.5(1+0.5v_B)

(b) 从 B 开始(2 分)

vB=2+0.25vB,所以 vB=8/3;vA=1/4+(3/8)(8/3)=5/4。

(c) 指定动作,去掉动作选择概率(2 分)

Q(A,fast)=1;Q(A,support)=0.5×8/3=4/3;Q(B,finish)=3;Q(B,repeat)=1+0.5×8/3=7/3。因此 π′=(support,finish)。

(d) 新策略(2 分)

v′_B=3,v′_A=0.5×3=1.5。再比较 A: fast=1、support=1.5;B: finish=3、repeat=1+1.5=2.5。动作均不变,所以已最优,v*=(1.5,3)。

C3. A random walk with two terminals [9 points]

先把题目读懂

线上依次是终点、L、M、R、终点;非终点以各半向左/右走,每步−1,γ=1。要求前三轮随机策略价值、真实值和各位置贪心动作。

第一步该想什么?

这里只有两个方向,不是四方向格子。利用左右对称减少未知数;最后 M 左右可能并列,不要强行给唯一动作。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Five locations lie on a line: Tₗ — L — M — R — Tᵣ. Both end locations are terminal. At each nonterminal state, left and right are chosen with probability 0.5 and move to the adjacent location. Every move costs -1, including entry into a terminal. γ=1.

(a) From V₀=0, give V₁ for (L,M,R). [1]

(b) Compute V₂ synchronously. [2]

(c) Compute V₃ synchronously. [2]

(d) Solve for the exact random-policy values. [2]

(e) Using those exact values, list all greedy actions in each state. [2]

下面跟着题目逐步算

这不是 4 个方向的格子

只有 Left、Right 两动作,概率均为 1/2。两个终点一直为 0。

(a) 第一轮(1 分)

全都只看见 -1 的即时奖励,V₁=(-1,-1,-1)。

(b) 第二轮(2 分)

L=-1+(0-1)/2=-1.5;M=-1+(-1-1)/2=-2;R 对称为 -1.5。V₂=(-1.5,-2,-1.5)。

(c) 第三轮(2 分)

L=-1+(0-2)/2=-2;M=-1+(-1.5-1.5)/2=-2.5;R=-2。V₃=(-2,-2.5,-2)。

(d) 随机策略真值(2 分)

对称性给 vL=vR=x,vM=y。x=-1+y/2,y=-1+x。代入 x=-1+(-1+x)/2,得 x=-3、y=-4。

(e) 从随机价值改进动作(2 分)

L 左=-1,右=-1+(-4)=-5,选左;M 左=-1+(-3)=-4、右也 -4,两者均贪心;R 左=-5、右=-1,选右。

随机策略价值是 (-3,-4,-3),改进后的最短路径价值为 (-1,-2,-1)。二者对应不同策略,不能混写。

2 questions × 10 points

IV. Calculation — Learning algorithms

20 points

D1. Targets of different horizons [10 points]

先把题目读懂

两回合依次为 A 得0→B 得2→T 与 A 得2→T;γ=1,常数步长初值A=1、B=0、α=0.5。比较 MC 均值、在线 TD,以及独立的一次两步更新。

第一步该想什么?

完整回报从某次访问开始;一步 TD 在一次奖励后接估计;两步目标先用两笔真实奖励。如果两步已经终止,就没有需要估计的尾部。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Observed episodes are (1) A --0→ B --2→ T; (2) A --2→ T. γ=1. For constant-step updates initialize V(A)=1,V(B)=0 and α=0.5. Treat methods independently.

(a) List all visit returns. [2]

(b) Compute first-visit sample-mean MC estimates from these episodes with fresh counts. [2]

(c) Process both episodes with online TD(0), showing all three updates. [3]

(d) Starting from the original values, perform ONLY the two-step update for the first visit to A in episode 1. [2]

(e) Why does this two-step target equal the MC return for that visit? [1]

下面跟着题目逐步算

(a) 完整回报(2 分)

第一回合 A 得 0+2=2,B 得 2;第二回合 A 得 2。因此 A 的两个回报均为 2,B 的回报为 2。

(b) 新计数样本均值(2 分)

A=(2+2)/2=2,B=2。不能把题目常数步长用在明确要求 sample mean 的小问。

(c) 在线 TD(3 分)

第一步 A=1+0.5(0+0-1)=0.5;第二步 B=0+0.5(2-0)=1;第三步 A=0.5+0.5(2-0.5)=1.25。最终 (1.25,1)。

(d) 两步目标(2 分)

G_0^{(2)}=R_1+\gamma R_2+\gamma^2V(T)=0+2+0=2

只更新初始 A=1:1+0.5(2-1)=1.5。不是继续用 (c) 中的 1.25;其他状态本小问不更新。

(e) 为什么等于 MC(1 分)

两步已经到达真正终点,尾部自举项为零,目标包含了从这次访问起的全部奖励。因此此样本的两步回报与完整 MC 回报相同。

D2. Tie-breaking changes Double DQN [10 points]

先把题目读懂

旧Q=0、奖励2、γ=1、α=0.5;在线(3,3,1)、实际a₃,目标(4,1,5),ε=0.3。行为利用概率平分并列最大;Double 单独规定并列时选低下标。

第一步该想什么?

这题有两种不同的并列规则。行为概率平分 a₁/a₂;但 Double 选动作时按明确规定选 a₁,然后到目标网络读它的值。不要用一个规则覆盖全部小问。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

Q(S,A)=0, r=2, γ=1, α=0.5 and the transition is nonterminal. Online next-state values are (3,3,1); the actual next action is a₃. Behaviour uses ε=0.3, splitting exploitation equally among tied maxima. Target-network values are (4,1,5). For Double DQN only, break online argmax ties by choosing the lowest action index.

(a) Compute the behaviour probabilities. [2]

(b) Compute SARSA's target and update. [2]

(c) Compute Q-learning's target and update. [2]

(d) Compute DQN and Double DQN targets, applying the stated tie rule. [3]

(e) Give the target and tabular update for a terminal version of this transition. [1]

下面跟着题目逐步算

(a) 两个并列最优(2 分)

利用部分 0.7 各分 0.35,探索部分 0.3/3=0.1 每个动作都有,所以概率 (0.45,0.45,0.1)。

(b) SARSA(2 分)

实际 a₃ 在线值为 1,y=2+1=3,新 Q=0+0.5(3-0)=1.5。

(c) Q-learning(2 分)

max 在线值为 3,无论选 a₁ 或 a₂ 都相同,所以 y=5、新 Q=2.5。

(d) Double 必须知道用哪个并列动作(3 分)

DQN 在目标网络选 a₃,max=5,y=2+5=7。Double 的在线 argmax 有 a₁、a₂ 并列,题目指定低序号 a₁,再读取目标网络 a₁=4,所以 y=2+4=6。

若改选 a₂,会得到 3,但这不符合本题 tie rule。不能把行为策略中“随机平分并列”的规则自动套到另有规定的 Double 目标。

(e) 终止(1 分)

y=2,新 Q=0+0.5×2=1。

1 question, 4 subquestions

V. Calculation — Optimal policy

10 points

E1. Discounting changes the optimal choice [10 points]

先把题目读懂

S 的 exit 得2结束;work 得1.5后各半回S或结束。U 的 stop 得1.5结束,join得0去S。前三问γ=0.8、旧策略exit/stop;最后问γ变化时S何时更适合work。

第一步该想什么?

先评估与改进固定γ的策略。最后小问把γ当未知参数重新比较,不能把γ=0.8时算出的价值拿来代表所有折扣。临界点是两个动作恰好相等。

这个前置概念还不懂?从具体例子重新学 →
展开英文原题

At S, exit gives reward 2 and terminates; work gives reward 1.5, then moves to S or T with probability 0.5 each. At U, stop gives reward 1.5 and terminates; join gives reward 0 and goes to S. For (a)–(c), γ=0.8 and π₀=(exit,stop).

(a) Evaluate π₀. [2]

(b) Compute all qπ₀ values and improve the policy. [3]

(c) Evaluate the improved policy and verify optimality. [3]

(d) Let γ vary in [0,1). At S, for which γ is work strictly better than exit when followed optimally? State the tie value. [2]

下面跟着题目逐步算

(a) 立刻终止(2 分)

vπ₀(S)=2,vπ₀(U)=1.5。

(b) 用旧策略价值看一步(3 分)

S: exit=2,work=1.5+0.8×0.5×2=2.3;U: stop=1.5,join=0.8×2=1.6。所以 π₁=(work,join)。

(c) 新策略(3 分)

vS=1.5+0.4vS,得 vS=2.5;vU=0.8×2.5=2。检查:S work=2.5>exit=2;U join=2>stop=1.5,已最优。

(d) 不要拿 γ=0.8 的数值直接比较所有 γ(2 分)

临界时 S 的价值为 exit 的 2,work 也应给 2:1.5+0.5γ×2=2,解得 γ=0.5。γ>0.5 时 work 严格更好;γ<0.5 时 exit 更好;γ=0.5 并列。

也可算一直 work 的价值 1.5/(1-0.5γ),与 2 比较得到同一阈值。此问题中 S 不依赖 U,因此不必同时求 U 的分段策略。