当前位置：首页 > java >正文

马尔可夫链（Markov Chain）和马尔可夫决策过程（Markov Decision Process, MDP）

java 2025/6/28 14:03:34

马尔可夫链（Markov Chain）和马尔可夫决策过程（Markov Decision Process, MDP）是概率理论和决策理论中的重要概念，广泛应用于统计建模、强化学习、运筹学等领域。以下是对两者的详细讲解，包括定义、数学表示、性质、应用以及它们之间的关系。

一、马尔可夫链（Markov Chain）

1. 定义

马尔可夫链是一种随机过程，用于描述一个系统在不同状态之间的转移，且具有马尔可夫性质。马尔可夫性质指的是：系统的下一个状态仅依赖于当前状态，而与之前的历史状态无关。用数学语言描述：

$P(X_{t+1} = s_{t+1} \mid X_t = s_t, X_{t-1} = s_{t-1}, \dots, X_0 = s_0) = P(X_{t+1} = s_{t+1} \mid X_t = s_t)$

其中：

$X_t$

表示时间 (t) 的状态。

$s_t$

是某个具体状态。

$(P)$ 表示条件概率。

简单来说，未来的状态只与现在有关，与过去无关。

2. 组成

马尔可夫链由以下要素组成：

状态空间：一个有限或可数的集合

$\{s_1, s_2, \dots\}$

，表示系统可能的所有状态。例如，天气模型的状态空间可能是

${晴天, 阴天, 雨天\}$

。
转移概率：从一个状态转移到另一个状态的概率，用转移矩阵 § 表示，其中

$P_{ij} = P(X_{t+1} = s_j \mid X_t = s_i)$

。转移矩阵的每一行之和为 1。

初始分布：初始时刻状态的概率分布

$\pi_0$

，表示系统在

$t = 0$

时各状态的概率。

3. 数学表示

假设状态空间为

$\{s_1, s_2, \dots, s_n\}$

，转移矩阵 § 是一个

$\times n$

矩阵：

$\begin{bmatrix}P_{11} & P_{12} & \dots & P_{1n} \\P_{21} & P_{22} & \dots & P_{2n} \\\vdots & \vdots & \ddots & \vdots \\P_{n1} & P_{n2} & \dots & P_{nn}\end{bmatrix}$

其中

$P_{ij} \geq 0$

，且

$\sum_{j} P_{ij} = 1$

。

状态在时间 (t) 的概率分布为向量

$\pi_t = [\pi_t(s_1), \pi_t(s_2), \dots, \pi_t(s_n)]$

。下一时刻的分布为：

$\pi_{t+1} = \pi_t \cdot P$

4. 性质

平稳分布：如果存在一个分布

$\pi$

满足

$\pi = \pi \cdot P$

，则

$\pi$

是马尔可夫链的平稳分布，表示系统在长期运行后状态分布趋于稳定。

可达性与周期性：
- 一个状态

$s_i$

到

$s_j$

 是**可达的**，如果存在 $$ n \geq 1$$ 使得

$P^n_{ij} > 0$

马尔可夫链可能是周期性的（状态转移有固定周期）或非周期性的。
不可约性：如果任意两个状态之间都可达，马尔可夫链是不可约的。
遍历性：对于不可约、非周期的马尔可夫链，通常存在唯一的平稳分布，且初始分布不影响长期行为。

5. 示例

以天气模型为例：

状态空间：

${晴天, 阴天, 雨天\}$

。

转移矩阵：

$\begin{bmatrix}0.7 & 0.2 & 0.1 \\0.3 & 0.4 & 0.3 \\0.2 & 0.3 & 0.5\end{bmatrix}$

$P_{11} = 0.7$

 表示晴天后第二天仍为晴天的概率是 70%。

初始分布：

$\pi_0 = [0.5, 0.3, 0.2]$

（今天是晴天、阴天、雨天的概率）。

明天分布：

$\pi_1 = \pi_0 \cdot P$

。

6. 应用

自然语言处理：生成文本（如马尔可夫文本生成器）。
金融建模：股票价格的状态转移。
排队论：客户在队列中的状态变化。
生物信息学：DNA 序列分析。

二、马尔可夫决策过程（Markov Decision Process, MDP）

1. 定义

马尔可夫决策过程是马尔可夫链的扩展，增加了动作和奖励的概念，用于描述一个智能体（agent）在随机环境中通过选择动作来优化长期奖励的问题。MDP 也满足马尔可夫性质，即下一状态和奖励只依赖于当前状态和当前动作。

2. 组成

MDP 由以下要素组成：

状态空间 (S)：系统可能的所有状态，与马尔可夫链类似。
动作空间 (A)：智能体在每个状态下可以采取的动作集合。
转移概率：

$\mid s, a)$

，表示在状态 (s) 采取动作 (a) 后转移到状态 (s’) 的概率。

奖励函数：(R(s, a, s’))，表示从状态 (s) 采取动作 (a) 转移到 (s’) 时获得的奖励（有时简化为 (R(s, a)))。
折扣因子

$\gamma \in [0, 1]$

：用于权衡即时奖励和未来奖励的重要性。

策略

\pi(a \mid s)

定义在状态 (s) 下选择动作 (a) 的概率。

3. 数学表示

MDP 的目标是找到一个最优策略

$\pi^*$

，使得智能体在长期运行中获得的累积期望奖励最大化。累积奖励通常定义为：

$G_t = R_{t+1} + \gamma R_{t+2} + \gamma^2 R_{t+3} + \dots = \sum_{k=0}^\infty \gamma^k R_{t+k+1}$

其中：

$R_{t+1}$

是时间 (t) 采取动作后的奖励。
$\gamma$

控制未来奖励的权重（

$\gamma = 0$

只关心即时奖励，

$\gamma = 1$

完全考虑长期奖励）。

4. 核心概念

值函数：
- 状态值函数
$V^\pi(s)$
在策略

$\pi$

下，从状态 (s) 开始的期望累积奖励：

$V^\pi(s) = \mathbb{E}_\pi \left[ G_t \mid S_t = s \right]$
- 动作值函数
  
  $Q^\pi(s, a)$
  在状态 (s) 采取动作 (a)，然后按策略
  
  $\pi$
  
  行动的期望累积奖励：
  
  $Q^\pi(s, a) = \mathbb{E}_\pi \left[ G_t \mid S_t = s, A_t = a \right]$
贝尔曼方程：
- 状态值函数：
  
  $V^\pi(s) = \sum_a \pi(a \mid s) \sum_{s'} P(s' \mid s, a) \left[ R(s, a, s') + \gamma V^\pi(s') \right]$
- 动作值函数：
  
  $Q^\pi(s, a) = \sum_{s'} P(s' \mid s, a) \left[ R(s, a, s') + \gamma \sum_{a'} \pi(a' \mid s') Q^\pi(s', a') \right]$
最优策略：存在一个策略

$\pi^*$

，使得

$V^{\pi^*}(s) \geq V^\pi(s)$

对于所有状态 (s) 和任意策略

$\pi$

成立。

5. 求解方法

动态规划：
- 值迭代：通过迭代更新 (V(s)) 或 (Q(s, a))，直到收敛到最优值函数。
- 策略迭代：交替进行策略评估（计算
$V^\pi$

）和策略改进（选择更好的动作）。
蒙特卡洛方法：通过采样轨迹估计值函数。
时序差分学习：结合动态规划和蒙特卡洛方法，如 Q-learning 或 SARSA。
强化学习：MDP 是强化学习的基础，智能体通过与环境交互学习最优策略。