寻找最优策略

序列决策问题通过马尔可夫决策过程（MDP）进行建模。既定策略 $\pi$ 可以使用其价值函数 $V^\pi(s)$ 和 $Q^\pi(s, a)$ 进行评估。其中， $V^\pi(s)$ 代表从状态 $s$ 开始并遵循策略 $\pi$ 的期望回报。此外， $Q^\pi(s, a)$ 则是从状态 $s$ 开始，采取动作 $a$ ，随后遵循策略 $\pi$ 的期望回报。

求解 MDP 的最终目标不仅仅是评估任意策略，而是找到最优策略。“最优”指的是什么？在强化学习 (reinforcement learning)和 MDP 的背景下，它指的是最大化期望的累积折扣回报。我们将这样的策略称为最优策略，通常表示为 $\pi^*$ 。

正式来说，如果策略 $\pi$ 的期望回报对于所有状态 $s \in S$ 都大于或等于任何其他策略 $\pi'$ 的期望回报，那么它就被认为是最佳的。

$V^\pi(s) \ge V^{\pi'}(s) \quad \text{对于所有 } s \in S \text{ 和所有策略 } \pi'$

需要指出的是，可能存在不止一个最优策略，但它们都能实现最大可能的期望回报。所有最优策略共享相同的最优状态价值函数，表示为 $V^*$ ，以及相同的最优动作价值函数，表示为 $Q^*$ 。

这些最优价值函数定义如下：

$V^*(s) = \max_{\pi} V^\pi(s) \quad \text{对于所有 } s \in S$

$Q^*(s, a) = \max_{\pi} Q^\pi(s, a) \quad \text{对于所有 } s \in S, a \in A$

$V^*(s)$ 给出从状态 $s$ 开始可以达到的最大期望回报，无论随后遵循哪种特定的最优策略。类似地， $Q^*(s, a)$ 给出从状态 $s$ 开始，采取动作 $a$ ，然后此后遵循最优策略可以达到的最大期望回报。

最优价值函数与最优策略之间的联系

最优动作价值函数 $Q^*$ 与最优策略 $\pi^*$ 之间存在直接而有力的关联。如果您知道了真实的 $Q^*$ 函数，找到最优策略将会很简单。您只需在每个状态 $s$ 中选择使 $Q^*(s, a)$ 最大化的动作。一个对于最优动作价值函数 $Q^*$ 采取贪婪行动的策略，保证是一个最优策略。

因此，最优策略 $\pi^*$ 可以定义为：

$\pi^*(s) = \arg\max_{a \in A} Q^*(s, a)$

这意味着在状态 $s$ 中，最优策略根据 $Q^*$ 选择产生最高期望回报的动作 $a$ 。如果多个动作具有相同最大值，最优策略可以选择其中任何一个。

贝尔曼最优方程

正如任意策略 $\pi$ 的价值函数满足贝尔曼期望方程一样，最优价值函数 $V^*$ 和 $Q^*$ 也满足它们自己特定的贝尔曼方程，即贝尔曼最优方程。这些方程为最优价值提供了一种递归定义。

$V^*$ 的贝尔曼最优方程是：

$V^*(s) = \max_{a \in A} Q^*(s, a)$ $V^*(s) = \max_{a \in A} \sum_{s' \in S} P(s'|s, a) [R(s, a, s') + \gamma V^*(s')]$

该方程表达了状态 $s$ 的最优价值必须等于从该状态采取最好的可能动作 $a$ 并此后遵循最优策略所获得的期望回报。max 运算符表示智能体选择使后续期望价值最大化的动作。

类似地， $Q^*$ 的贝尔曼最优方程是：

$Q^*(s, a) = \sum_{s' \in S} P(s'|s, a) [R(s, a, s') + \gamma V^*(s')]$ 由于 $V^*(s') = \max_{a' \in A} Q^*(s', a')$ ，我们可以写成： $Q^*(s, a) = \sum_{s' \in S} P(s'|s, a) [R(s, a, s') + \gamma \max_{a' \in A} Q^*(s', a')]$

该方程表明，在状态 $s$ 中采取动作 $a$ 的最优价值是期望即时回报 $R(s, a, s')$ 加上下一个状态 $s'$ 的折扣期望价值，前提是智能体从该下一个状态开始最优地行动（ $\max_{a'} Q^*(s', a')$ ）。

这些最优方程是根本的。如果我们能找到一个价值函数 $V$ 或 $Q$ 满足相应的贝尔曼最优方程，那么该价值函数就是最优价值函数（ $V^*$ 或 $Q^*$ ），我们就可以从中推导出最优策略。

求解 MDP 本质上意味着找到 $V^*$ 或 $Q^*$ 。尽管贝尔曼最优方程定义了这些函数，但它们不直接提供求解方法，尤其因为它们通常形成一个非线性方程组。下一章将介绍基于动态规划的算法，例如价值迭代和策略迭代，这些算法旨在计算这些最优价值函数，前提是我们拥有 MDP 的完整模型（即，我们知道转移概率 $P$ 和回报函数 $R$ ）。随后的章节将研究如何在模型不可用的情况下找到最优策略。

这部分内容有帮助吗？

参考文献

Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, 2018 (The MIT Press) - 强化学习领域的经典教材，详细阐述了马尔可夫决策过程中最优策略、价值函数和贝尔曼最优方程的理论基础。
Lecture Notes: Markov Decision Processes and Bellman Equations, Emma Brunskill, 2025 (Stanford University) - 斯坦福大学的课程讲义，清晰且易于理解地介绍了马尔可夫决策过程、最优策略和贝尔曼最优方程的推导。
Markov Decision Processes: Discrete Stochastic Dynamic Programming, Martin L. Puterman, 1994 (John Wiley & Sons) - 一本关于马尔可夫决策过程的经典且严谨的数学教材，深入分析了最优策略、价值函数和贝尔曼最优方程。