antonino
Double Q-Learning: corrigindo a superestimação
O Double Q-Learning resolve um problema clássico do Q-Learning. Primeiramente, o Q-Learning padrão tende a superestimar valores. Isso ocorre porque ele usa o máximo sobre ações estimadas. Em segundo lugar, a superestimação pode levar a políticas subótimas. Por conseguinte, o Double Q-Learning usa duas tabelas Q independentes. Uma tabela escolhe a melhor ação. A outra tabela avalia o valor dessa ação.
Características da arquitetura Double Q-Learning
A arquitetura mantém duas funções Q separadas: Q_A e Q_B. Cada atualização usa uma tabela para seleção e outra para avaliação. A fórmula é \( Q_A(s,a) \leftarrow Q_A(s,a) + \alpha [r + \gamma Q_B(s’, \arg\max_{a’} Q_A(s’,a’)) – Q_A(s,a)] \). Similarmente, Q_B é atualizada de forma simétrica. Esse desacoplamento reduz o viés de maximização. Portanto, as estimativas são mais precisas.
A política de comportamento pode ser baseada na soma das duas tabelas. Ou usamos a média para escolher ações. A exploração ainda é feita com ε-greedy. Contudo, a atualização é mais conservadora. O Double Q-Learning é especialmente útil em ambientes estocásticos. Ele também melhora a estabilidade do aprendizado. Consequentemente, é amplamente usado em implementações modernas do DQN.
Hiperparâmetros e fórmulas matemáticas
Os hiperparâmetros são similares ao Q-Learning padrão. A taxa de aprendizado α tipicamente é 0.1. O fator de desconto γ é 0.95 ou 0.99. A taxa de exploração ε decai ao longo do tempo. A única diferença é a manutenção de duas tabelas. O custo computacional dobra, mas a convergência melhora. A atualização completa é \( Q_A(s,a) \leftarrow Q_A(s,a) + \alpha (r + \gamma Q_B(s’, a^*) – Q_A(s,a)) \), onde \( a^* = \arg\max_{a’} Q_A(s’, a’) \).
O erro TD no Double Q-Learning é \( \delta = r + \gamma Q_B(s’, a^*) – Q_A(s,a) \). Esse erro é usado para atualizar apenas uma tabela por vez. As duas tabelas são atualizadas alternadamente. Ou podemos escolher aleatoriamente qual atualizar. No final, a política é extraída da soma \( Q_A + Q_B \). Estudos mostram que Double Q-Learning converge mais rápido. Ele também é mais robusto a ruídos nas recompensas.
Exemplo clássico: ambiente com ruído
Considere um ambiente com dois estados e duas ações. As recompensas têm alto ruído estocástico. O Q-Learning padrão superestima os valores das ações. Isso leva a escolhas erradas. O Double Q-Learning corrige esse problema. O código abaixo compara ambos os algoritmos. Ele mostra como o Double Q-Learning é mais estável e preciso.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 |
import numpy as np import matplotlib.pyplot as plt import random from tqdm import tqdm import warnings warnings.filterwarnings('ignore') print("=" * 70) print("DOUBLE Q-LEARNING: CORRIGINDO A SUPERESTIMAÇÃO") print("=" * 70) # ============================================ # AMBIENTE: BANDIDO ESTOCÁSTICO COM RUÍDO # ============================================ class AmbienteEstocastico: """ Ambiente simples com dois estados e duas ações. As recompensas têm alta variância para causar superestimação. """ def __init__(self): # Recompensas verdadeiras de cada ação em cada estado self.recompensas_verdadeiras = { (0, 0): 1.0, # estado 0, ação 0 (0, 1): 0.8, # estado 0, ação 1 (1, 0): 0.9, # estado 1, ação 0 (1, 1): 1.2 # estado 1, ação 1 } self.n_estados = 2 self.n_acoes = 2 self.estado = 0 self.gamma = 0.95 def reset(self): self.estado = 0 return self.estado def step(self, acao): """Retorna recompensa com ruído gaussiano""" recompensa_real = self.recompensas_verdadeiras[(self.estado, acao)] # Adiciona ruído significativo para causar superestimação recompensa = np.random.normal(recompensa_real, 0.5) # Transição determinística para próximo estado self.estado = 1 if self.estado == 0 else 0 # Termina após 10 passos (episódio longo) terminou = False return self.estado, recompensa, terminou # ============================================ # Q-LEARNING PADRÃO (COM SUPERESTIMAÇÃO) # ============================================ class QLearningAgente: """Agente Q-Learning padrão que sofre superestimação""" def __init__(self, n_estados, n_acoes, alpha=0.1, gamma=0.95, epsilon=0.1): self.Q = np.zeros((n_estados, n_acoes)) self.alpha = alpha self.gamma = gamma self.epsilon = epsilon self.epsilon_min = 0.01 self.epsilon_decay = 0.995 self.n_estados = n_estados self.n_acoes = n_acoes def escolher_acao(self, estado): if random.random() < self.epsilon: return random.randint(0, self.n_acoes - 1) return np.argmax(self.Q[estado]) def aprender(self, estado, acao, recompensa, prox_estado, terminou): """Atualização Q-Learning padrão""" if terminou: alvo = recompensa else: alvo = recompensa + self.gamma * np.max(self.Q[prox_estado]) erro = alvo - self.Q[estado, acao] self.Q[estado, acao] += self.alpha * erro return erro def decair_epsilon(self): self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay) def get_valor(self, estado): return np.max(self.Q[estado]) # ============================================ # DOUBLE Q-LEARNING (CORRIGIDO) # ============================================ class DoubleQLearningAgente: """Agente Double Q-Learning que reduz superestimação""" def __init__(self, n_estados, n_acoes, alpha=0.1, gamma=0.95, epsilon=0.1): self.Q_A = np.zeros((n_estados, n_acoes)) self.Q_B = np.zeros((n_estados, n_acoes)) self.alpha = alpha self.gamma = gamma self.epsilon = epsilon self.epsilon_min = 0.01 self.epsilon_decay = 0.995 self.n_estados = n_estados self.n_acoes = n_acoes def escolher_acao(self, estado): """Política baseada na soma das duas Q-tables""" if random.random() < self.epsilon: return random.randint(0, self.n_acoes - 1) Q_total = self.Q_A[estado] + self.Q_B[estado] return np.argmax(Q_total) def aprender(self, estado, acao, recompensa, prox_estado, terminou): """ Atualização Double Q-Learning. Escolhe aleatoriamente qual tabela atualizar. """ if random.random() < 0.5: # Atualiza Q_A usando Q_B para avaliação if terminou: alvo = recompensa else: melhor_acao_A = np.argmax(self.Q_A[prox_estado]) alvo = recompensa + self.gamma * self.Q_B[prox_estado, melhor_acao_A] erro = alvo - self.Q_A[estado, acao] self.Q_A[estado, acao] += self.alpha * erro else: # Atualiza Q_B usando Q_A para avaliação if terminou: alvo = recompensa else: melhor_acao_B = np.argmax(self.Q_B[prox_estado]) alvo = recompensa + self.gamma * self.Q_A[prox_estado, melhor_acao_B] erro = alvo - self.Q_B[estado, acao] self.Q_B[estado, acao] += self.alpha * erro return erro def decair_epsilon(self): self.epsilon = max(self.epsilon_min, self.epsilon * self.epsilon_decay) def get_valor(self, estado): """Valor é a média ou soma das duas tabelas""" return np.max((self.Q_A[estado] + self.Q_B[estado]) / 2) # ============================================ # EXPERIMENTO COMPARATIVO # ============================================ print("\n" + "=" * 70) print("COMPARAÇÃO: Q-LEARNING vs DOUBLE Q-LEARNING") print("=" * 70) num_episodios = 3000 # Reduzido para mais velocidade passos_por_episodio = 20 # Inicializa agentes env = AmbienteEstocastico() ql_agente = QLearningAgente(n_estados=2, n_acoes=2, alpha=0.1, gamma=0.95, epsilon=0.1) dql_agente = DoubleQLearningAgente(n_estados=2, n_acoes=2, alpha=0.1, gamma=0.95, epsilon=0.1) # Armazena históricos valores_ql = [] valores_dql = [] # Valores verdadeiros (para comparação) valor_verdadeiro = 1.0 # melhor ação no estado 0 (ação 0) print("\n🚀 Treinando Q-Learning padrão...\n") with tqdm(total=num_episodios, desc="Q-Learning", unit="ep", ncols=80, mininterval=0.5, bar_format='{l_bar}{bar}| {n_fmt}/{total_fmt} [{elapsed}<{remaining}]') as pbar: for ep in range(num_episodios): estado = env.reset() for passo in range(passos_por_episodio): acao = ql_agente.escolher_acao(estado) prox_estado, recompensa, terminou = env.step(acao) ql_agente.aprender(estado, acao, recompensa, prox_estado, terminou) estado = prox_estado valores_ql.append(ql_agente.get_valor(0)) ql_agente.decair_epsilon() if (ep + 1) % 500 == 0: pbar.set_postfix({'Valor': f'{valores_ql[-1]:.2f}'}) pbar.update(500) elif ep == 0: pbar.update(1) print("\n🚀 Treinando Double Q-Learning...\n") with tqdm(total=num_episodios, desc="Double Q-Learning", unit="ep", ncols=80, mininterval=0.5, bar_format='{l_bar}{bar}| {n_fmt}/{total_fmt} [{elapsed}<{remaining}]') as pbar: for ep in range(num_episodios): estado = env.reset() for passo in range(passos_por_episodio): acao = dql_agente.escolher_acao(estado) prox_estado, recompensa, terminou = env.step(acao) dql_agente.aprender(estado, acao, recompensa, prox_estado, terminou) estado = prox_estado valores_dql.append(dql_agente.get_valor(0)) dql_agente.decair_epsilon() if (ep + 1) % 500 == 0: pbar.set_postfix({'Valor': f'{valores_dql[-1]:.2f}'}) pbar.update(500) elif ep == 0: pbar.update(1) print("\n✅ Treinamento concluído!") # ============================================ # ANÁLISE DA SUPERESTIMAÇÃO # ============================================ print("\n" + "=" * 70) print("ANÁLISE DA SUPERESTIMAÇÃO") print("=" * 70) # Calcula o viés (superestimação) de cada método media_ql = np.mean(valores_ql[-1000:]) media_dql = np.mean(valores_dql[-1000:]) vies_ql = media_ql - valor_verdadeiro vies_dql = media_dql - valor_verdadeiro print(f"\n📊 VALOR VERDADEIRO do estado inicial: {valor_verdadeiro:.2f}") print(f"\n📈 Q-LEARNING:") print(f" - Valor estimado médio (últimos 1000): {media_ql:.3f}") print(f" - Viés (superestimação): {vies_ql:+.3f}") print(f"\n📈 DOUBLE Q-LEARNING:") print(f" - Valor estimado médio (últimos 1000): {media_dql:.3f}") print(f" - Viés (superestimação): {vies_dql:+.3f}") melhoria = vies_ql - vies_dql if melhoria > 0: print(f"\n✅ Double Q-Learning reduziu a superestimação em {melhoria:.3f}") else: print(f"\n⚠️ Ambos os métodos tiveram desempenho similar") # ============================================ # VISUALIZAÇÃO DOS RESULTADOS # ============================================ print("\n📊 Gerando gráficos...") plt.figure(figsize=(14, 5)) # Gráfico 1: Evolução dos valores estimados plt.subplot(1, 2, 1) plt.plot(valores_ql, 'b-', linewidth=0.5, alpha=0.5, label='Q-Learning') plt.plot(valores_dql, 'g-', linewidth=0.5, alpha=0.5, label='Double Q-Learning') plt.axhline(y=valor_verdadeiro, color='r', linestyle='--', linewidth=2, label=f'Valor verdadeiro = {valor_verdadeiro:.2f}') plt.xlabel('Episódio') plt.ylabel('Valor estimado V(0)') plt.title('Comparação: Superestimação') plt.legend() plt.grid(True, alpha=0.3) # Gráfico 2: Média móvel (suavizada) plt.subplot(1, 2, 2) window = 200 media_ql_smooth = np.convolve(valores_ql, np.ones(window)/window, mode='valid') media_dql_smooth = np.convolve(valores_dql, np.ones(window)/window, mode='valid') plt.plot(media_ql_smooth, 'b-', linewidth=2, label='Q-Learning') plt.plot(media_dql_smooth, 'g-', linewidth=2, label='Double Q-Learning') plt.axhline(y=valor_verdadeiro, color='r', linestyle='--', linewidth=2, label=f'Valor verdadeiro = {valor_verdadeiro:.2f}') plt.xlabel('Episódio') plt.ylabel(f'Valor estimado V(0) (média {window})') plt.title('Convergência Suavizada') plt.legend() plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # ============================================ # VISUALIZAÇÃO DO VIÉS # ============================================ plt.figure(figsize=(12, 4)) # Gráfico 3: Distribuição dos valores finais plt.subplot(1, 2, 1) plt.hist(valores_ql[-1000:], bins=30, alpha=0.5, label='Q-Learning', color='blue') plt.hist(valores_dql[-1000:], bins=30, alpha=0.5, label='Double Q-Learning', color='green') plt.axvline(x=valor_verdadeiro, color='r', linestyle='--', linewidth=2, label='Valor verdadeiro') plt.xlabel('Valor estimado V(0)') plt.ylabel('Frequência') plt.title('Distribuição dos Valores (últimos 1000 episódios)') plt.legend() plt.grid(True, alpha=0.3) # Gráfico 4: Erro absoluto médio plt.subplot(1, 2, 2) erro_ql = np.abs(np.array(valores_ql) - valor_verdadeiro) erro_dql = np.abs(np.array(valores_dql) - valor_verdadeiro) media_erro_ql = np.convolve(erro_ql, np.ones(window)/window, mode='valid') media_erro_dql = np.convolve(erro_dql, np.ones(window)/window, mode='valid') plt.plot(media_erro_ql, 'b-', linewidth=2, label='Q-Learning') plt.plot(media_erro_dql, 'g-', linewidth=2, label='Double Q-Learning') plt.xlabel('Episódio') plt.ylabel('Erro absoluto médio') plt.title('Erro de Estimativa (quanto menor, melhor)') plt.legend() plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # ============================================ # DEMONSTRAÇÃO DAS Q-TABLES # ============================================ print("\n" + "=" * 70) print("COMPARAÇÃO DAS Q-TABLES FINAIS") print("=" * 70) print("\n📊 Q-LEARNING (uma tabela):") print(" Estado | Ação 0 | Ação 1 | Melhor ação") print(" " + "-" * 45) for estado in range(2): q0 = ql_agente.Q[estado, 0] q1 = ql_agente.Q[estado, 1] melhor = 0 if q0 > q1 else 1 print(f" {estado} | {q0:.3f} | {q1:.3f} | {melhor}") print("\n📊 DOUBLE Q-LEARNING (duas tabelas):") print(" Estado | Q_A(0) | Q_A(1) | Q_B(0) | Q_B(1) | Média Ação0 | Média Ação1") print(" " + "-" * 70) for estado in range(2): qa0 = dql_agente.Q_A[estado, 0] qa1 = dql_agente.Q_A[estado, 1] qb0 = dql_agente.Q_B[estado, 0] qb1 = dql_agente.Q_B[estado, 1] media0 = (qa0 + qb0) / 2 media1 = (qa1 + qb1) / 2 melhor = 0 if media0 > media1 else 1 print(f" {estado} | {qa0:.3f} | {qa1:.3f} | {qb0:.3f} | {qb1:.3f} | {media0:.3f} | {media1:.3f} | {melhor}") # ============================================ # EXPLICAÇÃO MATEMÁTICA # ============================================ print("\n" + "=" * 70) print("FUNDAMENTOS DO DOUBLE Q-LEARNING") print("=" * 70) print(""" ✅ O PROBLEMA DA SUPERESTIMAÇÃO: No Q-Learning padrão, a atualização usa max_a Q(s',a). Isso introduz um viés positivo porque o máximo de estimativas ruidosas tende a superestimar o valor verdadeiro. ✅ SOLUÇÃO DO DOUBLE Q-LEARNING: Usa duas Q-tables independentes Q^A e Q^B. A seleção da ação usa uma tabela, a avaliação usa outra. FÓRMULA DE ATUALIZAÇÃO: Q^A(s,a) ← Q^A(s,a) + α [r + γ Q^B(s', argmax_a' Q^A(s',a')) - Q^A(s,a)] Q^B(s,a) ← Q^B(s,a) + α [r + γ Q^A(s', argmax_a' Q^B(s',a')) - Q^B(s,a)] ✅ POR QUE FUNCIONA: O valor esperado do máximo de duas variáveis independentes é menor que o máximo da mesma variável com ela mesma. E[max(X,Y)] ≤ E[max(X,X)] ✅ HIPERPARÂMETROS (mesmos do Q-Learning): • α (alpha): Taxa de aprendizado (0.1) • γ (gamma): Fator de desconto (0.95) • ε (epsilon): Exploração (0.1, decaindo) ✅ VANTAGENS DO DOUBLE Q-LEARNING: ✓ Reduz significativamente a superestimação ✓ Converge para valores mais próximos do verdadeiro ✓ Mais robusto a ambientes estocásticos ✓ Mantém a simplicidade do Q-Learning ✅ DESVANTAGENS: • Dobra o uso de memória (duas tabelas) • Custo computacional ligeiramente maior • Requer mais episódios para convergência completa """) print("\n" + "=" * 70) print("CONCLUSÃO") print("=" * 70) # Calcula a melhoria percentual if vies_ql != 0: melhoria_percentual = (abs(vies_ql) - abs(vies_dql)) / abs(vies_ql) * 100 print(f""" ✅ Double Q-Learning corrige um problema fundamental do Q-Learning. ✅ A superestimação foi reduzida significativamente no experimento. ✅ O método é simples e eficaz, com pouca sobrecarga. ✅ É a base do DDQN, usado em aplicações state-of-the-art. ✅ Recomendado para qualquer problema com recompensas estocásticas. RESULTADOS DO EXPERIMENTO: • Q-Learning padrão superestimou o valor em {vies_ql:.3f} • Double Q-Learning superestimou em apenas {vies_dql:.3f} • Melhoria de {melhoria:.3f} no viés ({melhoria_percentual:.1f}% de redução) • Double Q-Learning é mais estável e confiável """) else: print(""" ✅ Double Q-Learning corrige um problema fundamental do Q-Learning. ✅ O método é simples e eficaz, com pouca sobrecarga. ✅ É a base do DDQN, usado em aplicações state-of-the-art. ✅ Recomendado para qualquer problema com recompensas estocásticas. """) print("\n✅ PROGRAMA CONCLUÍDO COM SUCESSO!") |