aprendizagem por reforço (rl) relacional e rl multi-agente

Aprendizagem por Reforço (RL) Relacional e RL Multi-Agente

Hugo Pimentel de Santana (hps@cin.ufpe.br)

2

Tópicos

Revisão (?) Q-LearningRL Multi-Agente Visão Geral dos Problemas RL em SMAs Cooperativos e Competitivos

Problemas e abordagens atuais

RL Relacional Motivação Visão Geral Aspectos Práticos

3

Q Learning

Algoritmo de aprendizagem Computa a função Q ótima (valor das ações)

Model-Free Pode ser usado mesmo que não se conheçaP

(função de transição de estados) nem RAgente visa aprender política: *(s) = argmaxa[Q(s,a)]

não é função de P nem de r

Utilizando: Q(st,at) = r(st,at) + V*(P(st,at) )

= r(st,at) + maxa’ [Q(st+1,a’)] Como calcular Q ?

4

Q-Learning

Atualiza-se Q(st) após observar o estado st+1 e recompensa recebida

Q(s1,aright) = r + maxa’Q(s2,a’) = 0 + 0.9 max{63,81,100} = 90

5

Algoritmo Q-Learning para mundos determinísticos

Para todo estado s e ação a, inicialize a tabela Q[s][a] = 0;Para sempre, faça: Observe o estado atual s; Escolha uma ação a e execute; Observe o próximo estado s’ e recompensa

r Atualize a tabela Q:

Q[s][a] = r + maxa’ (Q[s’][a’])

6

Tópicos

Revisão (?) Q-LearningRL Multi-Agente Visão Geral dos Problemas RL em SMAs Cooperativos e Competitivos

Problemas e abordagens atuais

RL Relacional Motivação Visão Geral Aspectos Práticos

7

RL Multi-Agente - Introdução

Teoria de RL tradicional Considera apenas um agente Aprende política que maximiza recompensas futuras

esperadas Provas formais de convergência p/ solução ótima

Ambiente estacionário P(s’,s,a) é uma distribuição qualquer

Sistemas Multi-Agentes Utilidade depende do comportamento coletivo Dinâmica não estacionária

Mais de um agente aprendendo simultaneamente RL em SMAs Cooperativos

Agentes aprendem a cooperar para atingir um objetivo comum RL em SMAs Competitivos

Agentes aprendem a competir em algum ambiente Conflito de recursos ou de metas

8

RL SMA-Competitivo

SMA Competitivo Recursos ou metas conflitantes Exemplo: Robocup

Problemas: Em ambientes competitivos, os outros agentes podem

reagir estrategicamente ao comportamento do agente ambiente não mais estacionário (dinâmica do ambiente

satisfaz uma distribuição P) Soma das recompensas esperadas não é mais uma

medida de utilidade tão boa Treinamento ideal deveria ser feito contra um agente

ótimo Nem sempre se sabe um comportamento ótimo

9

RL – SMA Competitivo

[Tesauro 1995] Modelagem do jogo de gamão como um problema de aprendizagem por reforço: Vitória: +100 Derrota: – 100 Zero para os demais estados do jogo

(delayed reward) Após 1 milhão de partidas contra ele

mesmo, joga tão bem quanto o melhor jogador humano

10

RL SMA Competitivo

RL tradicional Sucesso em algumas aplicações

Gamão Damas

Fracasso em outras Jogos Estocásticos Xadrez

Soluções atuais Min-Max Q-Learning (Littman) Opponent Modelling (Veloso et al) Prioritized Sweeping (Moore et al)

11

RL SMA Competitivo

[Veloso et al] Hexcer

Hexagonal Soccer

Min-Max Q-Learning

Escolha da melhor ação por min-max

12

RL – SMA Competitivo

Opponent Modeling Min-Max Q-Learning é bom contra oponente ótimo

Não explora comportamento estocástico do oponente

Solução computar frequencia de cada ação

Ação com maior recompensa esperada é escolhida

13

RL – SMA CompetitivoPrioritized Sweeping

Constrói modelo do mundo explícito P(s,s’,a) e R(s,a)

A cada passo, atualiza grafo com Novos links Incrementa contador em cada link, se este existe

Resolve o MDP utilizando Eq. de BellmanMelhor desempenho dos 4 métodos no Hexcer

P. Sweeping com Observação do oponente melhor ainda

14

Sistemas Multi-Agentes Cooperativos

Conceitos chave Interesse coletivo Maximização de performance global Necessidade de coordenação

Exemplos Robocup

Grupo de jogadores,cuja medida de performancepode ser dada por#GolsPro - #GolsContra

15

Sistemas Multi-Agentes Cooperativos

Exemplos Grupo de robôs para patrulhar uma área

Cada robô patrulha uma parte do terreno Performance é dada pela ociosidade (tempo que uma área do

terreno passa sem ser visitada) média do terreno performance global depende de como agentes interagem

16

RL SMA-CooperativoAbordagem Centralizada

Processo de decisão centralizado no coordenador

RL tradicional pode ser usado RL em um único agente (coordenador) Uma ação, para n agentes, é dada por:

<a1, a2, ..., an> O estado é o estado global Função de recompensa é a medida de performance

global do sistemaEx. Robocup

Ações <aGoleiro, aZagueiro1, aZagueiro2, … >

Recompensa #GolsPro - #GolsContra

17

Abordagem Centralizada

Problemas: Intratável!

#Ações exponencial no número de agentes Na robocup:

Se cada jogador pode executar 10 ações Coordenador teria 1110 ações possíveis para

escolher (25 bilhões) É preciso acessibilidade total

Não é possível na maioria dos casos práticos

Só é possível em ambientes pequenos

18

RL SMA-CooperativoAbordagem Distribuída

Cada agente aprende individualmente (independent learners)Classificadas de acordo com informação disponível para cada agente: Black-Box systems

O agente só toma conhecimento dos outros agentes pela dinâmica do ambiente

White-Box systems (joint action learners) O agente tem conhecimento total dos outros agentes, e

das ações tomadas por eles Gray-Box systems

O agente pode (ou não) comunicar suas ações (ou intenções de ações)

19

RL – SMA Cooperativo

Exemplo: Gray-Box x Black-Box na Patrulha

GBLA x BBLA (SU rewards)

4,269

4,769

5,269

5,769

6,269

6,769

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

GBLA_SU

BBLA_SU

20

Abordagem Distribuída - Problemas

Atribuição de Crédito (credit assignment problem) Como dar uma recompensa pela performance

individual de cada agente? Exemplo:

Um jogador sozinho dribla 2 zagueiros e faz o gol, apesar de nenhum outro atacante aparecer pra ajudar

Trabalhoso de recompensar individualmente

Garantir coordenação Exemplos:

Jogadores brigando entre si pela posse da bola Patrulha: agentes visitando os mesmos nós

simultaneamente

21

Abordagem Distribuída - Problemas

Ambiente não estacionário Agentes aprendem simultaneamente Dinâmica do sistema (P e R) muda

constantemente Como aprender a se comportar em um ambiente

deste tipo? Exemplo:

Agente aprendendo a bater escanteio: A cobrança correta de um escanteio depende do

posicionamento dos outros agentes Outros agentes estão aprendendo, e mudando sua

política de ações

22

Abordagem Distribuída

Algumas alternativas: Engenharia do modelo de recompensa

Adequar a função de recompensa ao propósito global

Otimização da função de recompensa resulta em otimização coletiva

Abordagens hierárquicas MDPs com opções Semi-Markov Decision Processes

Coordenação Explícita Coordinated Reinforcement Learning

23

Abordagem DistribuídaEngenharia das Recompensas

Adequar a função de recompensa Otimização da função de recompensa resulta em

otimização coletivaProblemas

Nem sempre a função de recompensa global pode ser decomposta em funções locais

O conhecimento de tal decomposição pode ser extremamente difícil de se adiquirir

Abordagens atuais Orientadas a um determinado domínio (geralmente

custosas) Exemplo: Se conhece a priori como recompensar o

comportamento de um lateral, causando melhor desempenho global

Abordagens genéricas Wonderful life utility, Selfish Utility, Team Game Utility

24

Modelos de Recompensa

Selfish Utility (SU) Cada agente recebe como recompensa uma

medida da sua performanceTeam Game Utility (TG) Cada agente recebe como recompensa uma

medida da performance globalWonderful Life Utility (WLU) Recompensa calculada como:

Recompensa global – Recompensa se o agente não existisse

Penaliza conflitos por recompensas

25

Modelos de Recompensa: Exemplo

Token Retrieval Problem[Wolpert et al]

8 agentes, inicialmente na mesmaposição

Objetivo: coletar maior soma de valores de tokens em menor tempo

Recompensa SU: Token recuperado pelo agente

Recompensa TG: A quantidade geral de tokens

Recompensa WLU: Mesmo que SU + Penalidade se compete por token com outro agente

26

Comparação de Modelos de Recompensa

TG apresenta baixa taxa de aprendizagem Problema da atribuição de crédito

SU apresentou baixa performanceWLU apresenta melhores resultados Aprende mais rapidamente

27

Abordagem DistribuídaCoordenação Explícita

Coordinated Reinforcement Learning (CRL) Coordenação explícita das ações Aproxima a performance global, localmente

Condição: performance global Q pode ser expressa como soma de

performances locais (de cada agente) Qj

Exemplos: Token Retrieval: Total de tokens = soma dos tokens

retirados por cada agente Em geral, soma das SU = performance global

Complexidade similar a de redes bayesianas Eficiente se há pouca dependência entre agentes

28

CRL – Escolha de Ações Cooperativa

Contexto G agentes Cada agente j (1jG) escolhe ação aj Aj

A = {A1,... AG} Estado do ambiente descrito por X = {X1,..., XG} Utilidade Global Q = jQj

Escolha de política ótima: A princípio, teria que experimentar todas as combinações possíveis

de ações (exponencial) Na prática, apenas alguns agentes influenciam um dado agente j

Definição Escopo[Qj] (A X)

O escopo da função de utilidade do agente j são as variáveis de ações e estados que influenciam este agente

29

CRL – Escolha de Ações Cooperativa

Grafo de Coordenação Arestas entre agentes que se influenciam

Exemplo Q = Q1(a1,a2) + Q2(a2,a4) + Q3(a1,a3) + Q4 (a3,a4)

Se Qj, é conhecido, o algoritmode eliminação de variáveis deredes bayesianas computaas ações ótimas eficientemente

30

CRL – Eliminação de Variáveis

Calculando Q no exemplo anterior: Analisando o agente 4:

Na sequência (3,2,1): Agente 1 escolhe ação que maximiza f2

Na ordem reversa, cada agente escolhe a ação ótima dada a última ação escolhida

31

CRL – Eliminação de Variáveis

Complexidade polinomial no número de variáveis eliminadas Exponencial na largura induzida do grafo de

coordenação

Encontra a solução ótimaÉ distribuído No entanto, necessita comunicação entre

agentes que participam de cada maximização local

Mas como aprender as funções Q ?

32

Coordinated RL – Q-Learning

Q-Learning tradicional, com aproximação de função:

Em Coordinated RL, o valor de V e de Q são computados localmente, utilizando o algoritmo de eliminação de variáveis

33

Coordinated RL - Conclusões

Abordagem cooperativa mais eficientePermite aproximação da optimalidade globalProblemas: Grafo de coordenação é estático

Se for dinâmico: domínios das funções Q locais têm que incluir

informação de todos os agentes Com Q-Learning, só pode ser utilizado com

aproximação de função Não há garantias formais de convergência

34

Tópicos

Revisão (?) Q-LearningRL Multi-Agente Visão Geral dos Problemas RL em SMAs Cooperativos e Competitivos

Problemas e abordagens atuais

RL Relacional Motivação Visão Geral Aspectos Práticos

35

RL Relacional - Motivação

RL tradicional: Não prove generalização do conhecimento

aprendido Não usufrui de particularidades do domínio

para diminuir número de estados

Exemplo: Conhecimento aprendido em um mundo

Wumpus 4x4 é útil em um mundo 8x8? Se descrição do estado contém informação do tipo

brisa_2_2, não é posssível generalizar Descrições do tipo: DistanciaX_Y(Brisa, 3,3), são

mais poderosas em termos de generalização

36

Relational Markov Decision Processes (RMDP) – [Guestrin]

Baseia-se nos RPM (Relational Probability Models)Elementos básicos (templates) Classes Links Mundo Modelo das Transições de Estado Template da Função de Recompensa

37

RMDP - Exemplo

Freecraft http://www.nongnu.org/stratagus/

Classes: Operários, Soldados, Recursos, Vilas...

“complex, scalable world for MDP solvers and reinforcement learning”

38

RMDP - Exemplo

Classes Agrupa objetos similares Possui

variáveis de estados associadas variável única de ação

Exemplo Classse Operario

Estados: Dom[Operario.Tarefa] = {Waiting, Mining,

Building} Dom[Operario.Energia] = {1,2,3}

Ações Dom[Operario.Ação] = {wait, mine, build}

39

RMDP – Exemplo

Links Simboliza relações entre objetos Exemplo:

(Vila.ConstruídaPor) = Operario (Vila.MinhaMadeira) = Recurso

Relacionamentos de n para n podem ser expressos por: (Inimigo.MeuSoldado) =

SetOf{Soldado}

40

RMDP – Exemplo

Mundo Instanciação das classes e suas relações Notação

O[] = Conjunto de objetos do mundo O[][C] = Conjunto de objetos do mundo

pertencentes a classe C Exemplo:

[][Operario] = {Operario1, Operario2} [][Vila] = {Vila1} [][Recurso] = {Ouro1} Vila1.ConstruídaPor = Operario1

41

RMDP - Exemplo

Modelo das Transições de Estado Pc(X’c|Xc,Ac,Xc.L1,Ac.L1,...) Em outras palavras:

A ocorrência de um estado X’, para um objeto C, é função somente de:

Variáveis do estado atual de C Variável da ação atual de C Variáveis dos estados e ações dos objetos que estão

relacionados a C

Exemplo POperario(Building|Operario.Tarefa, Operario.Energia,

Operario.Action, Vila.MinhaMadeira)

42

RMDP - Exemplo

Função de Recompensa Definida no nível das classes

Exemplo Recompensa associada a classe

Enemy RInimigo(Inimigo.Health) =

10, se Inimigo.Health = 0 (está morto) 0 caso contrário

43

RMDP – Função Valor

Localmente: Associada a cada objeto em

Globalmente Decomposta como a soma das funções locais

Passos para resolução Obtém-se um MDP fatorado para o problema

Um MDP fatorado é aquele cuja função de valor global é definida como a soma de funções de valor locais

Cada classe constitui um fator Aplicar Coordinated RL

44

RMDP – Generalização

Função Valor aprendida até agora no nível dos objetos

Eficiente, no entanto não generaliza

No entanto, valores aprendidos para a mesma classe são semelhantes:

45

RMDP - Generalização

Função valor baseada nas classes Mesma função valor, utilizada por cada

objeto com parâmetros diferentes

46

RMDP - Generalização

Exemplo FreecraftTreinamento feito 2x2Generalização para domínios 3x3, 4x4 e 5x5

47

Logical Markov Decision Programs (LOMDP)

Integra: Markov Decision Processes Logic Programming

LQ-Learning Especificação dos Estados

Conjunto de regras Especificação abstrata, instanciada de acordo com

fatos do mundo Instanciações diferentes do mesmo estado em um

LOMDP continuam pertencendo ao mesmo estado! Ações

Conjunto de predicados

48

LQ-Learning - Exemplo

Blocks World!Função Q(S,A):

Algoritmo: Similar ao Q-Learning tradicional Estado atual:

primeiro predicado satisfeito pela KB Ação a ser realizada

Aplica-se na ação abstrata a substituição obtida pela unificação da KB com a descrição do estado

49

LQ-Learning - Resultados

Em [Kerstin et al] Aprendeu-se automaticamente a

estratégia unstack-stack Referência na comunidade de planning

50

Referências

Lecture slides do livro Machine Learning, do Tom Mitchell http://www-2.cs.cmu.edu/~tom/mlbook-chapt

er-slides.html

Reinforcement Learning: An introduction, de Sutton & Barto disponível online http://envy.cs.umass.edu/~rich/book/the-boo

k.html

Veloso, M. Uther, W. (1997) Adversarial Reinforcement Learning http://citeseer.nj.nec.com/

uther97adversarial.html

51

Referências

Pieter Jan 't Hoen, Sander M. Bohte (2003) COllective INtelligence with Sequences of Actions: Coordinating actions in Multi-Agent Systems

http://citeseer.nj.nec.com/580878.html

[Kersting et al] Logical Markov Decision Programs

http://citeseer.nj.nec.com/579932.html

Home Page do Carlos Guestrin http://robotics.stanford.edu/~guestrin/