RL中on-policy和off-policy的本质区别/重要性采样

本随笔的图片都来自UCL强化学习课程lec5 Model-free prediction的ppt (Teaching - David Silver ).

回忆值函数的表达式：

\[v_\pi(s) =\mathbb E_\pi[G_t\mid S_t=s] \]

其中\(G_t\)是折扣回报。期望\(\mathbb E\)下面的\(\pi\)是简写，实际上应该写作：

\[A_t,S_{t+1},A_{t+1}\cdots,S_k\sim\pi \]

无论MC prediction还是TD prediction，都是在估计\(\mathbb E_\pi[G_t \mid S_t=s]\)，本质上是在做policy evaluation，evaluate的是\(\pi\)。从值函数表达式就可以看出，要估计\(v_\pi\)，应该整条轨迹(的动作)都是从\(\pi\)上采样的。

如果从行为策略\(\mu\)采样，就变成了用策略\(\mu\)的数据来evaluate策略\(\pi\)，这就需要用importance sampling来修正了。

• 所以对于离策略的MC方法，在轨迹上每次对action的采样，都需要修正：
  

• 离策略的TD方法，只用修正一步：
  

• Q-learning，直接估计的是\(Q^*\)，遍历action求max不涉及action的采样，天生是离策略，不需要修正：