俞君杰

(江蘇電力信息技術(shù)有限公司， 江蘇， 南京 210013)

0 引言

生成對抗網(wǎng)絡(luò)是最近提出的一類生成模型，其訓(xùn)練了生成器以優(yōu)化區(qū)分器同時學(xué)習(xí)的成本函數(shù)[1]。盡管學(xué)習(xí)成本函數(shù)的概念在生成建模領(lǐng)域相對較新，但長期以來，人們?nèi)匀徊捎脧?qiáng)化學(xué)習(xí)算法模型，導(dǎo)致存在學(xué)習(xí)效率低下，收斂速度慢等種種缺陷[2-3]。

因此，許多學(xué)者不斷研究其改進(jìn)和替換方法。文獻(xiàn)[4]公開了ASE學(xué)習(xí)算法，通過改進(jìn)樣本的采樣工序來提高目標(biāo)函數(shù)的精確度。該算法通過人工智能的方式提高了數(shù)據(jù)應(yīng)用和訓(xùn)練能力，但數(shù)據(jù)學(xué)習(xí)過程和應(yīng)用能力方法沒有提及，無法獲取數(shù)據(jù)訓(xùn)練或者計算的過程，工作效率滯后，也無法解決相關(guān)技術(shù)問題。文獻(xiàn)[5]應(yīng)用一種通過小計算獲取大效果的Q學(xué)習(xí)算法，應(yīng)用過程中，計算量比較小，該算法能夠輸出較佳的數(shù)據(jù)最優(yōu)解，對于解決復(fù)雜數(shù)據(jù)問題具有突出的技術(shù)效果，能夠通過隨機(jī)的方式實現(xiàn)數(shù)據(jù)的動態(tài)變化，大大提高了數(shù)據(jù)應(yīng)用能力。該算法訓(xùn)練樣本的過程復(fù)雜，且對計算機(jī)系統(tǒng)性能要求過高，具有一定的局限性。本文借助生成對抗網(wǎng)絡(luò)的思想，給出用生成對抗網(wǎng)絡(luò)實現(xiàn)強(qiáng)化學(xué)習(xí)算法，下面將具體闡述該算法的結(jié)構(gòu)框架和相關(guān)理論內(nèi)容理論背景、基本思路、算法實現(xiàn)和實驗分析。

1 相關(guān)理論

1.1 強(qiáng)化學(xué)習(xí)理論

在具體學(xué)習(xí)和應(yīng)用中，該研究構(gòu)建的馬爾科夫決策過程(MDP)能夠提高數(shù)學(xué)建模能力，尤其是在強(qiáng)化學(xué)習(xí)中，MDP應(yīng)用在完全可觀測的技術(shù)環(huán)境中具有一定現(xiàn)實意義，觀測到的狀態(tài)內(nèi)容完整地決定了決策需要的特征，幾乎所有的強(qiáng)化學(xué)習(xí)問題都可以轉(zhuǎn)化為MDP。一個MDP過程受幾個重要參數(shù)所影響，該重要數(shù)據(jù)參數(shù)因素中存在有限的數(shù)據(jù)信息狀態(tài)集s，有限的數(shù)據(jù)信息動作集A，還能夠?qū)崿F(xiàn)使數(shù)據(jù)信息進(jìn)行轉(zhuǎn)移的狀態(tài)轉(zhuǎn)移概率P，實現(xiàn)數(shù)據(jù)信息回饋的回報函數(shù)R，將數(shù)據(jù)信息進(jìn)行折算的折扣因子γ。在MDP從狀態(tài)到動作的映射過程為

Pss′=P(st+1=s′|st=s,at=a)

(1)

π(a|s)=P(at=a|st=s)

(2)

其中，t表示一個時間間隔，a表示目標(biāo)函數(shù)。根據(jù)MDP回報函數(shù)R能夠得出累計回報為

(3)

其中，G代表累加回報值，k代表回報函數(shù)R的自變量。由式(3)得出狀態(tài)處的期望回報值V為

(4)

由式(4)得出動作處的期望回報值Q為

(5)

綜上式得出最有函數(shù)解的公式為

(6)

1.2 生成對抗網(wǎng)絡(luò)理論

在具體應(yīng)用過程中，將生成對抗網(wǎng)絡(luò)作為生成建模的一種方法，通過生成模型G和判別模型D兩種不同的方式實現(xiàn)數(shù)據(jù)信息評估與分析。實現(xiàn)數(shù)據(jù)信息生成對抗網(wǎng)絡(luò)的判別模型能夠?qū)?shù)據(jù)信息通過輸入分類數(shù)據(jù)信息，進(jìn)而將數(shù)據(jù)信息通過生成模型的方式進(jìn)行輸出，進(jìn)一步將能夠?qū)崿F(xiàn)的基礎(chǔ)數(shù)據(jù)樣本信息通過信息p(x)的形式實現(xiàn)輸出。為了提高數(shù)據(jù)信息的分類與輸出，通過生成模型完成?；谏鲜龇治?，該研究的生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)見圖1。

圖1 生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)圖

結(jié)合圖1對該研究的生成對抗網(wǎng)絡(luò)模型進(jìn)行以下介紹，在生成對抗網(wǎng)絡(luò)模型的過程中，通常將對抗過程劃分為極小、極大二元博弈問題。在一種形式上，輸出的生成模型具有出色噪音處理能力，在具體工作過程中能夠?qū)⑤敵龅脑肼曌鳛檩斎胄畔?，并將輸入的?shù)據(jù)信息轉(zhuǎn)化為樣本數(shù)據(jù)集合x～G，通過判別模型也能夠輸出數(shù)據(jù)信息，并將數(shù)據(jù)樣本數(shù)據(jù)信息集合記作為樣本x，然后將樣本數(shù)據(jù)集合x進(jìn)行數(shù)據(jù)輸入，其中輸出樣本數(shù)據(jù)信息通過分布式概率D(x)進(jìn)行計算。

通過判別模型輸出的數(shù)據(jù)信息損失能夠?qū)崿F(xiàn)正確的信息分類，并通過平均對數(shù)概率實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)信息損耗計算。在進(jìn)一步計算過程中，通過對比真實經(jīng)驗樣本以及數(shù)據(jù)生成模型進(jìn)而實現(xiàn)均等混合數(shù)據(jù)信息的評估輸出：

(7)

其中，生成模型的優(yōu)化方向是使D(x)增大，D(G(z))減小。將判別模型輸出的真實樣本通過大概率取樣，進(jìn)而能夠?qū)⑸赡Ｐ蜆颖靖怕手当M可能?。欢袆e模型與其理念相反。在明白兩個模型的優(yōu)化方向后，下面將闡述生成模型與判別模型的訓(xùn)練樣本過程。

首先，生成模型作為訓(xùn)練樣本的概率期望回報值V相關(guān)公式為

V=E[logD(x)]+E[log(1-D(x))]

(8)

對式(8)用積分的形式表示出來：

(9)

(10)

其中，Pdata表示整個對抗模型訓(xùn)練出數(shù)據(jù)樣本的概率，PG(x)表示生成模型G訓(xùn)練出數(shù)據(jù)樣本的概率。將式(10)帶入到式(9)中并進(jìn)行化簡計算得到：

V=-2log 2+2JSD(Pdata(x)|PG(x))

(11)

其中，JSD表示分布相似性的散度。通過式(11)的轉(zhuǎn)換得到生成模型G訓(xùn)練出來的樣本為

2JSD(Pdata(x)|PG(x))

(12)

通過式(12)可以得出，通過組合判別模型D與生成模型G，能夠進(jìn)而輸出生成的對抗網(wǎng)絡(luò)模型。這是因為判別模型的優(yōu)先優(yōu)化更有利于目標(biāo)函數(shù)快速收斂，對訓(xùn)練樣本的速度影響更大，關(guān)于生成對抗網(wǎng)絡(luò)優(yōu)化過程如圖2所示。

(a) 初始過程

(b) 優(yōu)化判別模型

(c) 優(yōu)化生成模型

(d) 兩個模型收斂圖2 生成對抗網(wǎng)絡(luò)模型的優(yōu)化過程

1.3 基于生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法

1.3.1 算法總體結(jié)構(gòu)框架

針對強(qiáng)化學(xué)習(xí)在訓(xùn)練樣本的開始階段，訓(xùn)練樣本學(xué)習(xí)效率低下，收斂速度滿足不了現(xiàn)有技術(shù)的需求，該研究將生成對抗網(wǎng)絡(luò)模型融入本研究技術(shù)中，通過構(gòu)建和設(shè)計強(qiáng)化學(xué)習(xí)算法提高該研究的計算能力，總體結(jié)構(gòu)框如圖3所示。

圖3 算法總體結(jié)構(gòu)框架示意圖

由圖3可知，在訓(xùn)練開始之前，根據(jù)強(qiáng)化學(xué)習(xí)的目標(biāo)策略進(jìn)行和歷史數(shù)據(jù)的真實經(jīng)驗樣本聯(lián)合構(gòu)建真實經(jīng)驗樣本集。在訓(xùn)練初始情況下，將生成對抗網(wǎng)絡(luò)算法模型的數(shù)學(xué)模型以及樣本數(shù)據(jù)模型作為試驗樣本數(shù)據(jù)信息進(jìn)行訓(xùn)練、分析，以生成新的樣本，這種樣本數(shù)據(jù)信息并不是歷史數(shù)據(jù)所得出的真實經(jīng)驗，僅是理論上可行的數(shù)據(jù)樣本，可稱為虛擬樣本[6]。虛擬樣本不能直接并入真實經(jīng)驗樣本集中，還需要通過智能體agent進(jìn)行一次訓(xùn)練，智能體類似于人腦一樣，既可以感知環(huán)境信息，也可以執(zhí)行最優(yōu)決策[7]。它會將好的虛擬樣本并入到真實樣本集當(dāng)中，提高訓(xùn)練樣本的質(zhì)量。大量的經(jīng)驗樣本不斷更新狀態(tài)動作，以達(dá)到全局最優(yōu)。同時引入關(guān)系修正單元，基于生成對抗網(wǎng)絡(luò)算法模型將經(jīng)驗樣本一分為二，并算出兩者的相似性[8]，在狀態(tài)空間大的情況下，能顯著提高強(qiáng)化學(xué)習(xí)的訓(xùn)練速度，并通過相對熵進(jìn)一步提高訓(xùn)練樣本的質(zhì)量。

在生成對抗網(wǎng)絡(luò)模型的基礎(chǔ)下定義強(qiáng)化學(xué)習(xí)計算，為了更好地進(jìn)行描述，需引入真實經(jīng)驗樣本集C和獎賞函數(shù)r的概念，表示為

C=[(s,a),(s′,r)]=[x1,x2]

(13)

在后續(xù)狀態(tài)函數(shù)s中，如何將該函數(shù)信息延續(xù)也是生成對抗網(wǎng)絡(luò)模型工作的關(guān)鍵，通常通過生成有限的狀態(tài)函數(shù)s′實現(xiàn)數(shù)據(jù)信息的分析與計算。在信息分析時，通過將x1、x2兩者不同的數(shù)據(jù)信息產(chǎn)生數(shù)據(jù)關(guān)聯(lián)具有至關(guān)重要的作用，其關(guān)聯(lián)性通過以下公式描述：

I(x1,x2)=H(x2)-H(x2|x1)=P(x2)log2(P(x2))+

P(x2,x1)log2(P(x2|x1))=

(14)

式中，H表示熵，I表示x1、x2兩者之間的差異性。通過生成對抗網(wǎng)絡(luò)算法模型生成經(jīng)驗樣本集G：

G=[(s,a),(s′,r)]=[G1,G2]

(15)

其中，G1、G2分別對應(yīng)x1、x2。由于后續(xù)狀態(tài)函數(shù)是延續(xù)上一個有限的狀態(tài)函數(shù)，因此G1、G2兩者具有相似性，引入相對熵(KL)的概念，用其表示G1、G2兩者相似性：

(16)

式中，P數(shù)據(jù)信息對應(yīng)G1，Q數(shù)據(jù)信息對應(yīng)著G2。其中，p數(shù)據(jù)值對應(yīng)P函數(shù)值中數(shù)據(jù)信息，q值對應(yīng)Q數(shù)據(jù)信息中的函數(shù)值，i表示函數(shù)自變量。在狀態(tài)空間大的情況下，能顯著提高強(qiáng)化學(xué)習(xí)的訓(xùn)練速度，并且通過式(16)的延展推導(dǎo)，還能滿足兩個關(guān)鍵要素：

(1) 倘若P=Q，則DKL=0。

以上關(guān)鍵要素用文字描述，則表示通過上述函數(shù)生成的數(shù)據(jù)狀態(tài)與后續(xù)數(shù)據(jù)信息生成的狀態(tài)相吻合，后續(xù)數(shù)據(jù)信息是通過函數(shù)生成的后續(xù)狀態(tài)與獎賞函數(shù)進(jìn)行對比的工作進(jìn)行對比情況的比較。在這種數(shù)據(jù)信息的相對熵能夠以無限趨近的方式相似時，則表示這種方式生成的數(shù)據(jù)信息或者通過對抗網(wǎng)絡(luò)算法模型進(jìn)行訓(xùn)練的樣本數(shù)據(jù)信息質(zhì)量比較高，根據(jù)式(7)演變得出：

(17)

其中，k為上述算法模型用到的權(quán)重參數(shù)，W為上述算法模型中能夠?qū)崿F(xiàn)生成對抗網(wǎng)絡(luò)模型的目標(biāo)函數(shù)。當(dāng)相對熵比較無限地接近并與0趨近時，能夠使對抗網(wǎng)絡(luò)算法模型輸出的目標(biāo)函數(shù)變得較小。

(2) 倘若PG=Pdata，則V(D,G)達(dá)到局部最優(yōu)。

以上關(guān)鍵要素用公式推導(dǎo)，如果PG=Pdata，則根據(jù)式(10)得出D(x)=0.5，根據(jù)式(11)得出：

(18)

如果PG=Pdata，則P=Q，DKL=0，JSD=0，V(D,G)為最小值-2log2，取得局部最優(yōu)。

2 實驗與分析

該研究構(gòu)建的實驗內(nèi)容為一輛四輪小車處于兩面高中間底的山谷模型，其模型示意圖如圖4所示。

圖4 實驗?zāi)Ｐ?/p>

該實驗?zāi)Ｐ偷哪M內(nèi)容為在一個光滑曲面上給四輪小車一個加速度，使其到達(dá)五角形標(biāo)記的位置。但由于四輪小車初始加速度很小，四輪小車不能向左一次出發(fā)到達(dá)標(biāo)記位置，需經(jīng)過利用慣性，多次上下坡才能完成測試條件。在該實驗?zāi)Ｐ椭?，實驗中設(shè)置重要參數(shù)折扣因子γ=0.99，學(xué)習(xí)率α=0.001，狀態(tài)s=[p，v]，動作a={+1，-1，0}。p表示四輪小車所處的水平位置，v表示四輪小車當(dāng)前位置的瞬時速度。+1表示四輪小車的初始加速度向左，-1表示四輪小車的初始加速度向右，0表示不給四輪小車初始加速度。

數(shù)據(jù)試驗時，通過強(qiáng)化學(xué)習(xí)算法的工具包OpenAI Gym進(jìn)行仿真，計算機(jī)操作系統(tǒng)為Windows 10，64位，計算機(jī)的開發(fā)工具為Visual Studio 2019，OpenCV 3.0，該研究采用文獻(xiàn)[5]中Q學(xué)習(xí)算法作為參照，采用基于生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)(GRL)算法與Q學(xué)習(xí)算法在實驗?zāi)Ｐ蜕线M(jìn)行訓(xùn)練，初始訓(xùn)練次數(shù)為5，兩種算法需獨(dú)立執(zhí)行10次，得出訓(xùn)練次數(shù)與算法執(zhí)行步數(shù)關(guān)系曲線如圖5所示。

圖5 兩種算法性能對比圖

從圖5中可以看出，采用生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法收斂所需的訓(xùn)練次數(shù)更少，這表明采用生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法的系統(tǒng)性能更好，訓(xùn)練樣本的速度也更快。分析其原因在于采用生成對抗網(wǎng)絡(luò)將真實經(jīng)驗樣本集C作為模板，生成新的虛擬樣本并入到樣本集C當(dāng)中，大量的經(jīng)驗樣本不斷更新動作a，因此訓(xùn)練樣本的速度快。

為了更好地表現(xiàn)出基于生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法性能優(yōu)勢，該研究采用在訓(xùn)練次數(shù)為1和10的情況下開始生成樣本，并且應(yīng)用網(wǎng)絡(luò)模型輸出的對抗網(wǎng)絡(luò)進(jìn)行強(qiáng)化計算后的結(jié)果需獨(dú)立執(zhí)行10次，得出訓(xùn)練次數(shù)與算法執(zhí)行步數(shù)關(guān)系曲線如圖6、圖7所示。

圖6 起始訓(xùn)練次數(shù)為1的GRL算法性能圖

圖7 起始訓(xùn)練次數(shù)為10的GRL算法性能圖

結(jié)合圖6與圖7中GRL算法的曲線圖綜合來看，其中起始訓(xùn)練次數(shù)為1的GRL算法收斂得最快，在訓(xùn)練次數(shù)為40左右就已收斂，而起始訓(xùn)練次數(shù)5和10的GRL算法分別在訓(xùn)練次數(shù)為60與80次的收斂。分析其原因在于采用生成對抗網(wǎng)絡(luò)將真實經(jīng)驗樣本集C作為模板，生成新的虛擬樣本并入到樣本集C當(dāng)中，越早的加入生成新的虛擬樣本，更新動作a的頻率也就越大，因此在起始訓(xùn)練樣本次數(shù)越低的情況下，用生成對抗網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)算法的系統(tǒng)性也就會更好，訓(xùn)練樣本的速度也更快。

3 總結(jié)

該研究利用生成對抗網(wǎng)絡(luò)模型與執(zhí)行最大熵強(qiáng)化學(xué)習(xí)算法之間的等效性，推導(dǎo)使用一種特殊形式的判別模型，該判別模型利用了生成模型的似然值，從而對目標(biāo)函數(shù)收斂進(jìn)行了無差別估計。上述方法的輸出結(jié)果表明，該研究方法的輸出性能比Q算法的輸出性能具有顯著的提升，該算法的收斂速度比較快。這種方案也存在其他方面的不足，這仍舊需要進(jìn)一步探究。