Кіріспе

Математикалық модель
Математикада Марков шешім процесі (МШП) – дискретті уақыт бойынша стохастикалық басқару процесі. Ол нәтижелері ішінара кездейсоқ, ішінара шешім қабылдаушының бақылауында болатын жағдайларда шешім қабылдауды модельдеуге арналған математикалық негіздеме ұсынады. МШП динамикалық бағдарламалау арқылы шешілетін оптимизациялық мәселелерді зерттеу үшін пайдалы. МШП кем дегенде 1950 жылдары белгілі болды; Марков шешім процестері бойынша негізгі зерттеулер Рональд Ховардтың 1960 жылғы «Динамикалық бағдарламалау және Марков процестері» кітабында жарияланды. Олар робототехника, автоматты басқару, экономика және өндіріс сияқты көптеген салаларда қолданылады. МШП атауы орыс математигі Андрей Марковтан шыққан, себебі олар Марков тізбегінің кеңейтілген түрі болып табылады. Әр уақыт қадамында процесс белгілі бір күйде болады, ал шешім қабылдаушы сол күйде қолжетімді кез келген әрекетті таңдай алады. Процесс келесі уақыт қадамында жаңа күйге кездейсоқ түрде өту арқылы жауап береді және шешім қабылдаушыға тиісті сыйақы ұсынады. Процестің жаңа күйге өту ықтималдығы таңдалған әрекетке байланысты. Нақтырақ айтқанда, ол күй өту функциясы арқылы анықталады. Осылайша, келесі күй ағымдағы күйге және шешім қабылдаушының әрекетіне тәуелді. Бірақ берілген және , ол барлық алдыңғы күйлер мен әрекеттерден шартты түрде тәуелсіз; яғни, МШП-ның күй өтуі Марков қасиетін қанағаттандырады. Марков шешім процестері Марков тізбектерінің кеңейтілген түрі болып табылады; айырмашылық – әрекеттерді (таңдау мүмкіндігін беру) және сыйақыларды (мотивация беру) қосу. Керісінше, егер әрбір күй үшін тек бір ғана әрекет болса (мысалы, «күту») және барлық сыйақылар бірдей болса (мысалы, «нөл»), Марков шешім процесі Марков тізбегіне дейін тобыққан күйге жетеді.

Симулятор үлгілері

Көптеген жағдайларда ауысу ықтималдығының үлестірілімдерін, нақты түрде көрсету қиын. Мұндай жағдайларда, симулятор MDP-ні көшірме үлгілерді ұсыну арқылы жанама түрде модельдеу үшін қолданылуы мүмкін. Имплицитті MDP моделінің кең таралған түрі – бастапқы күйден басталатын эпизодтық орта симуляторы, ол әрекет енгізілген сайын келесі күй мен сыйақыны береді. Осылайша, күйлердің, әрекеттердің және сыйақылардың траекториясы, көбінесе эпизодтар деп аталатыны жасалуы мүмкін. Симулятордың тағы бір түрі – генеративтік модель, ол кез келген күй мен әрекет берілгенде келесі күйдің және сыйақының үлгілерін жасайтын бір қадамдық симулятор. (Бұл статистикалық жіктеу контекстіндегі генеративтік модель терминінен өзге мағынаға ие екенін ескеріңіз.) Псевдокодпен берілген алгоритмдерде генеративтік модельді бейнелеу үшін жиі қолданылады. Мысалы, өрнек генеративтік модельден үлгі алу әрекетін білдіруі мүмкін, онда және – ағымдағы күй мен әрекет, ал және – жаңа күй мен сыйақы. Эпизодтық симулятормен салыстырғанда, генеративтік модельдің артықшылығы – ол траекторияда кездесетін күйлер ғана емес, кез келген күйден деректерді алуға мүмкіндік береді. Бұл модельдер кластары ақпарат мазмұнының иерархиясын құрайды: нақты модель үлестірілімдерден үлгі алу арқылы генеративтік модельді береді, ал генеративтік модельді қайталап қолдану эпизодтық симуляторды тудырады. Керісінше, жуық модельдерді регрессия арқылы ғана үйренуге болады. Нақты MDP үшін қол жетімді модель түрі, қандай шешім алгоритмдерінің қолайлы екенін анықтауда маңызды рөл атқарады. Мысалы, келесі бөлімде сипатталған динамикалық бағдарламалау алгоритмдеріне нақты модель қажет, ал Монте-Карло ағаштарын іздеуге генеративтік модель (немесе кез келген күйде көшірілуі мүмкін эпизодтық симулятор) қажет, ал күшейту оқыту алгоритмдерінің көпшілігіне тек эпизодтық симулятор ғана қажет.

Алгоритмдер

Шекті күйі мен әрекет кеңістігі бар MDP-лерге арналған шешімдер динамикалық бағдарламалау сияқты әр түрлі әдістер арқылы табылуы мүмкін. Осы бөлімдегі алгоритмдер шекті күйі мен әрекет кеңістіктері бар және нақты берілген ауысу ықтималдықтары мен сыйақы функциялары бар MDP-лерге қолданылады, бірақ негізгі ұғымдар басқа да проблема кластарын шешу үшін кеңейтілуі мүмкін, мысалы, функцияларды жуықтау арқылы. Шекті күйі мен әрекеті бар MDP-лер үшін оңтайлы саясатты есептеуге арналған стандартты алгоритмдер отбасысына күй бойынша индекстелген екі массивті сақтау қажет: нақты мәндерді қамтитын құн және әрекеттерді қамтитын саясат. Алгоритмнің соңында құн массивінде шешім, ал саясат массивінде осы шешімді орындау арқылы (орташа есеппен) алынатын сыйақылардың дисконтталған сомасы болады. Алгоритмнің екі қадамы бар: (1) құнды жаңарту және (2) саясатты жаңарту, олар барлық күйлер үшін ешқандай өзгеріс болмағанша белгілі бір тәртіппен қайталанады. Екеуі де осы құндылықтардың бұрынғы бағалауын пайдалана отырып, оңтайлы саясат пен күйдің құнын жаңадан бағалайды. Олардың реті алгоритмнің түріне байланысты; оларды бірден барлық күйлер үшін немесе күй бойынша, сондай-ақ кейбір күйлерге басқаларына қарағанда жиірек қолдануға болады. Егер ешбір күй екі қадамның бірінен де тұрақты түрде шығарылмаса, алгоритм дұрыс шешімге жетеді.

Саясатты қайталау

Саясатты итерациялауда бірінші қадам бір рет орындалады, содан кейін екінші қадам бір рет орындалады, одан кейін саясат конвергенцияға жеткенше екеуі де қайталанады. Содан кейін бірінші қадам тағы бір рет орындалады, және т.б. (Политиканы итерациялауды Говард Sears каталогының жіберуін оңтайландыру үшін ойлап тапты, бұрын ол құндылық итерациясын қолдана отырып оны оңтайландырып келген болатын.) Екінші қадамды конвергенцияға дейін қайталаудың орнына, оны сызықтық теңдеулер жиынтығы ретінде формулирлеп, шешуге болады. Бұл теңдеулер екінші қадамдағы теңдеуді қолдану арқылы ғана алынады. Осылайша, екінші қадамды конвергенцияға дейін қайталау сызықтық теңдеулерді релаксация арқылы шешуге тең. Бұл нұсқаның артықшылығы – нақты тоқтату шарты бар: 1-қадамды барлық күйлерге қолданған кезде массив өзгермесе, алгоритм аяқталады. Саясатты итерациялау, әдетте, көптеген мүмкін күйлер болғанда құндылық итерациялаудан баяу болады.

Саясаттың өзгертілген қайталануы

Өзгертілген саясат итерациясында (; ), бірінші қадам бір рет орындалады, ал екінші қадам бірнеше рет қайталанады. Содан кейін бірінші қадам тағы бір рет орындалады, және осылай жалғаса береді.

Басымдықты тазалау

Бұл нұсқада қадамдар белгілі бір маңызды күйлерге басымдықпен қолданылады – бұл маңыздылық алгоритмға негізделген болуы мүмкін (сол күйлерде немесе олардың маңында жақында үлкен өзгерістер болды) немесе қолдануға негізделген (сол күйлер бастапқы күйге жақын немесе алгоритмді пайдаланатын тұлға немесе бағдарлама үшін қызығушылық тудырады).

Есептеу күрделілігі

Шектелген МДБ үшін мәселенің бейнелеуінің мөлшеріне қатысты полиномдық уақыт күрделілігімен оңтайлы саясатты табу алгоритмдері бар. Осылайша, МДБ-ға негізделген шешімдер проблемалары есептеу күрделілігі P класына жатады. Дегенмен, өлшемділік қарғысының салдарынан мәселенің бейнелеуінің мөлшері көбінесе күй және әрекет айнымалыларының саны бойынша экспоненциалды болып келеді, бұл нақты шешімдерді қолдану әдістерін ықшам бейнелеуі бар проблемалармен шектейді. Іс жүзінде, Монте-Карло ағашын іздеу сияқты онлайн жоспарлау техникалары үлкен проблемаларда пайдалы шешімдерді табуға мүмкіндік береді, ал теориялық тұрғыдан алғанда, күй кеңістігінің мөлшеріне есептеу күрделілігі байланысты болмайтын, кез келген деңгейде оңтайлы саясатты таба алатын онлайн жоспарлау алгоритмдерін құруға болады.

Кеңейтулер мен жалпылаулар

Марковтық шешімдер процесі – бір ғана ойыншы бар стохастикалық ойын.

Ішінара байқауға болатындық

Жоғарыдағы шешім, әрекет жасалатын кезде жүйенің күйі белгілі деп есептейді; әйтпесе, оны анықтау мүмкін емес. Егер бұл ереже орындалмаса, онда мәселе ішінара байқалатын Марков шешімдер процесі немесе POMDP деп аталады.