1.分层强化学习简介

问题1：分层强化学习到底是什么？

强化学习作为一种主动式学习范式，非常符合人类在学习新知识时的行为：通过和环境交互 ，获得反馈来学习得到某种技能。那么自然地，在解决这些复杂的问题的时候，可以参考到人的一些做法——将问题抽象成不同的层级，从不同层面来处理，这也是HRL的核心思想。比如在烤牛排的时候，我们将从宏观对问题进行分解，烤牛排需要切牛排、切胡萝卜、切洋葱，再深入，我们则可以了解，每个食材应该如何切，切几段。这种将原问题分层解决的方法，就是分层强化学习。

形式化上，强化学习研究马尔可夫决策过程（MDP）问题，而HRL则研究半马尔科夫决策过程（SMDP）问题。

MDP是每个timepoint，s -> s’；而SMDP则允许经过多个timepoint，s -> s’。更直观的，MDP每次和环境交互（一个action）都发生状态的改变，而SMDP则是多次和环境交互（一系列的actions）后，状态才会发生改变。对应到HRL中，我们一般将这 一系列actions 视为一个option。

https://zhuanlan.zhihu.com/p/191526908

问题2：分层强化学习解决什么问题？

分层强化学习解决的是强化学习中的 稀疏奖励（sparse reward）问题：当环境奖励过于稀疏时，智能体可能长期都没有办法获得具有正奖励的样本，给值函数和策略的学习带来了困难。通过分层把策略分为不同层级的子策略，每个子策略在学习的过程中会得到来自上一层级传递来的奖励，这样可以大大提升 样本的利用效率（sample efficiency）。

或者说通过分层强化学习，我们希望可以解决长期信度分配的问题，实现更快的学习和更好的泛化。在多智能体系统中的信用分配问题，即判断每个智能体对于团体成功的贡献。在单智能体系统中，我们更多考虑的是动作对奖励值的贡献程度，当环境奖励较为稀疏或者会出现延迟时，如何进行信用分配就成为了比较棘手的问题。

https://zhuanlan.zhihu.com/p/501932920

问题3：分层强化学习的有哪几类？

目前分层的解决手段大体分两种，一种是基于目标的(goal-reach)，主要做法是选取一定的goal，使agent向着这些goal训练，可以预见这种方法的难点就是如何选取合适的goal；另一种方式是多级控制(multi-level control)，做法是抽象出不同级别的控制层，上层控制下层，这些抽象层在不同的文章中可能叫法不同，如常见的option、skill、macro action等，这种方式换一种说法也可以叫做时序抽象(temporal abstraction)。

https://zhuanlan.zhihu.com/p/267524544

问题4：分层强化学习算法的思想更贴近解决复杂的环境，为什么这个方向依然这么冷门？

借用一下知乎上2018年俞扬对该问题的回答：

不分层的强化学习，如果放在人身上，那就是每一时刻我们都要决定控制哪一根肌肉纤维收缩，因为控制肌肉纤维收缩是我们大脑发出的直接决策，不管是迈一下步子、动一下指头、还是说一个音节。然而在我们的思考中，想的是我要去哪、我要吃啥、我要说点什么，已经远远脱离了控制肌肉纤维的层面。在强化学习中，将动作行为从最原始的动作，抽象到多层的动作，是分层强化学习的主要特征。

分层的好处很明显。如果我们的思维是直接控制肌肉纤维收缩，那么吃一顿饭都会极其困难。分层后，我们在高层思维，需要考虑的动作不过是拿起筷子、加一块肉、放进嘴里。。。这样的决策，尽管每一步都会涉及大量的肌肉纤维的活动。

然而正是因为分层对于人（甚至有一定智商的动物）来说如此天然，我们并不清楚在我们的思维中是如何做到分层的，也就不清楚到底该如何实现分层。目前的分层强化学习方式都非常的原始，几乎没有可通用的模型。如果回到人工智能，分层直接对应了概念的抽象以及在抽象层面进行推理。这是目前人工智能最缺乏的能力之一，一旦取得突破，人工智能技术可能进入另一个高度。

https://www.zhihu.com/question/264126494/answer/497956374

分层强化学习算法总结

分层之所以能够提升样本效率，是因为上层控制器给下层控制器提供goal/option的同时还会根据下层控制器的策略好坏反馈一个对应的 内在奖励（intrinsic reward），这就保证了即便在外部奖励为0的情况下，下层控制器依然能够获得奖励，从而一定程度上缓解了奖励稀疏的问题。

未完待续