🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

如果你正在学习强化学习，特别是从生物或生命科学背景转向计算领域，那么“蒙特卡洛方法”和“时序差分算法”这两个名字一定不会陌生。它们不是遥不可及的数学理论，而是解决“无模型”强化学习问题的核心工具。简单来说，当智能体不知道环境的“游戏规则”（即状态转移概率和奖励函数）时，这两种方法能让它通过“试错”和“经验”来学习最优策略。

本文面向生物、医学、生态学等领域的初学者，旨在用最直观的方式拆解这两个关键算法。我们不深究复杂的数学推导，而是聚焦于它们是什么、能解决什么问题、以及如何用代码实现一个简单的例子。你将了解到蒙特卡洛方法如何通过“完整回合”的经验进行“事后总结”，而时序差分算法又如何像“在线学习”一样，每一步都进行“实时更新”。更重要的是，我们会探讨这两种方法在计算神经科学、药物设计、生态策略优化等生物相关领域的潜在应用场景。

通过本文，你将能够：

1. 理解蒙特卡洛方法和时序差分（特别是TD(0)和SARSA）的核心思想与区别。
2. 掌握它们的算法流程，并能用伪代码或简单Python代码描述。
3. 知道在什么情况下应该选择哪种方法。
4. 了解如何将这些算法应用于简单的生物问题模拟（如动物觅食路径学习）。
5. 为后续学习Q-learning、深度强化学习（DRL）打下坚实基础。

1. 核心概念与问题定义：为什么需要“无模型”方法？

在正式进入算法之前，我们必须明确要解决的问题。强化学习的经典框架是智能体（Agent）与环境（Environment）交互。智能体在状态（s）下采取动作（a），环境反馈奖励（r）并转移到新状态（s‘）。我们的目标是学习一个策略（π），使得长期累积奖励最大化。

有模型（Model-based）方法假设我们知道环境的完整动力学模型：即知道在状态s下采取动作a后，转移到状态s‘的概率P(s‘|s,a)和获得的即时奖励R(s,a,s‘)。有了这个模型，我们可以通过动态规划（如策略迭代、价值迭代）来求解最优策略。但这在很多现实问题中是不现实的。

无模型（Model-free）方法则放弃了对环境模型的依赖。智能体不知道P和R，它必须通过与环境直接交互获得的经验（轨迹数据）来学习。这正是蒙特卡洛方法和时序差分算法大显身手的地方。它们直接从不完整的经验中学习状态价值函数V(s)或动作价值函数Q(s,a)，进而优化策略。

对于生物背景的学习者，可以这样类比：

• 有模型：你知道一片森林里所有果树的精确位置、结果周期和果实能量（奖励）。你可以提前规划最优觅食路线。
• 无模型：你是一只刚进入这片森林的动物。你不知道果树在哪，只能通过四处探索、尝试吃各种东西（动作）来感受是否好吃（奖励），并逐渐记住哪些地方（状态）更容易找到食物。

我们接下来要学的，就是这只动物在“无模型”情况下如何变聪明的两种学习方式。

2. 蒙特卡洛方法：基于完整回合的“事后复盘”

蒙特卡洛（Monte Carlo, MC）方法的核心理念非常直接：要评估一个状态或状态-动作对的好坏，就看从这个点开始，直到回合结束，实际能拿到多少总奖励（回报）。它通过运行大量完整的回合（从开始到终止），收集真实的回报数据，然后用这些回报的平均值来估计价值函数。

2.1 核心思想与流程

1. 经验收集：遵循某个策略π，让智能体与环境交互，产生一个完整的轨迹（Episode）：S₀, A₀, R₁, S₁, A₁, R₂, ..., S_T。
2. 回报计算：对于轨迹中的每一个状态S_t（或状态-动作对(S_t, A_t)），计算其实际回报（Return）G_t。回报是未来所有奖励的折扣和：G_t = R_{t+1} + γR_{t+2} + γ²R_{t+3} + ... + γ^{T-t-1}R_T，其中γ是折扣因子（0≤γ≤1），用于权衡近期奖励和远期奖励。
3. 价值更新：用本次计算得到的回报G_t去更新该状态价值V(S_t)的估计值。通常采用增量式平均更新：V(S_t) ← V(S_t) + α [G_t - V(S_t)]，其中α是学习率。

关键特点：

• 必须等到回合结束：没有完整的轨迹，就无法计算G_t。因此MC方法是“离线”的。
• 高方差，零偏差：G_t是基于一次完整轨迹的实际采样，受随机性影响大（方差高），但它是真实回报的无偏估计（偏差为零）。
• 仅适用于回合制任务：环境必须有明确的终止状态。

2.2 首次访问与每次访问

MC方法有两种常见的评估方式：

• 首次访问型MC：在一个回合中，只在该状态第一次出现时用其后续回报G_t来更新V(s)。
• 每次访问型MC：在一个回合中，每次访问到状态s，都用当时计算的回报G_t来更新V(s)。

通常首次访问型更常用，理论性质更易分析。

2.3 算法伪代码（首次访问型MC预测，评估给定策略π）

以下是评估状态价值函数V(s)的伪代码：

# 初始化：对所有状态s，任意初始化 V(s)（如为0） # 初始化：空列表 Returns(s)，用于存储每个状态的历史回报 循环 for 每个回合 episode： 根据策略π生成一个状态-动作-奖励序列：S0, A0, R1, S1, A1, R2, ..., ST G = 0 # 初始化回报 # 从后往前遍历这个回合（T-1, T-2, ..., 0） 循环 for t = T-1, T-2, ..., 0： G = γ * G + R_{t+1} # 反向计算累积回报 如果 S_t 在 S0, S1, ..., S_{t-1} 中未出现过（首次访问）： 将 G 加入列表 Returns(S_t) V(S_t) = average(Returns(S_t)) # 更新为历史回报的平均值

2.4 生物应用示例：评估小鼠在迷宫中的固定觅食策略

假设我们研究一只小鼠在简单T型迷宫中的行为。迷宫有起点（S）、左岔路食物点（L，奖励+5）、右岔路电击点（R，奖励-10）和死胡同（0奖励）。小鼠遵循一个固定策略（如总是先向左探索）。我们的目标是评估在这个固定策略下，迷宫每个位置（状态）的长期价值。

使用MC方法：

1. 让小鼠按照该策略跑很多次迷宫（很多个回合）。
2. 记录每次从起点到结束（找到食物或遭遇电击）的完整轨迹和奖励。
3. 对于迷宫中的每个位置（如起点、岔路口），收集所有首次访问该位置后所获的总奖励（G_t）。
4. 计算这些总奖励的平均值，即为该位置的价值V(s)。

经过足够多的回合后，我们会发现，靠近食物点的位置价值较高，靠近电击点的位置价值为负，起点价值居中。这直观地反映了在该固定策略下，每个位置的“好坏”。

3. 时序差分学习：一步一更新的“在线学习”

时序差分（Temporal Difference, TD）学习结合了蒙特卡洛思想和动态规划的思想。它的核心突破在于：不需要等到回合结束，每一步都可以进行更新！它用当前估计值（自举，Bootstrapping）来更新另一个估计值。

3.1 核心思想与TD(0)算法

最经典的TD算法是TD(0)，用于估计状态价值函数V(s)。其更新公式为：V(S_t) ← V(S_t) + α [ R_{t+1} + γV(S_{t+1}) - V(S_t) ]

这个公式极其重要，让我们拆解一下：

• R_{t+1} + γV(S_{t+1})：这被称为TD目标。它由两部分组成：立即奖励R_{t+1}，加上下一个状态价值的折扣估计γV(S_{t+1})。你可以把它看作是对真实回报G_t的一个“估计”。
• V(S_t)：这是当前状态价值的旧估计。
• [TD目标 - 旧估计]：这被称为TD误差。它衡量了当前估计与更好估计（TD目标）之间的差异。
• 智能体根据这个误差，以学习率α的步长，更新当前状态的价值估计。

关键特点：

• 在线更新：每走一步（获得R_{t+1}, S_{t+1})后立即更新V(S_t)，无需等待回合结束。
• 偏差与方差的权衡：TD目标使用了估计值V(S_{t+1})，因此它是有偏的。但它只依赖一次随机转移，方差比MC的完整回报G_t要低。
• 适用性更广：既可用于回合制任务，也可用于连续任务。

3.2 SARSA：基于TD的动作价值函数控制算法

TD(0)用于预测（评估价值）。如果我们想同时改进策略（控制），就需要学习动作价值函数Q(s,a)。SARSA就是一个经典的On-policy TD控制算法。它的名字来源于其更新所依赖的五元组：(S_t, A_t, R_{t+1}, S_{t+1}, A_{t+1})。

SARSA更新公式：Q(S_t, A_t) ← Q(S_t, A_t) + α [ R_{t+1} + γQ(S_{t+1}, A_{t+1}) - Q(S_t, A_t) ]

算法流程（On-policy，使用ε-greedy策略）：

1. 初始化Q(s,a)。
2. 对每个回合：
   • 初始化状态S。
   • 根据当前Q值（使用ε-greedy）选择动作A。
   • 对回合中的每一步：
     • 执行动作A，观察奖励R和新状态S‘。
     • 在新状态S‘下，根据当前策略（同样是ε-greedy）选择下一个动作A‘。
     • 使用上述公式更新Q(S, A)。
     • S ← S‘, A ← A‘。
   • 直到S为终止状态。

“On-policy”的含义：SARSA评估和改进的是它正在执行的那个策略（ε-greedy）。它用来自这个策略的样本（A‘就是根据当前策略选的）来更新Q值。

3.3 算法伪代码（SARSA）

# 初始化：对所有状态s和动作a，初始化 Q(s,a)（如为0） # 参数：学习率 α，折扣因子 γ，探索率 ε 循环 for 每个回合 episode： 初始化状态 S 根据Q值，使用ε-greedy策略从状态S选择动作 A 循环 while S 不是终止状态： 执行动作 A，观察到奖励 R 和新状态 S‘ 根据Q值，使用ε-greedy策略从状态S‘选择动作 A‘ # SARSA 核心更新 Q(S, A) ← Q(S, A) + α * [ R + γ * Q(S‘, A‘) - Q(S, A) ] S ← S‘ A ← A‘

3.4 生物应用示例：在线学习觅食路径

继续用小鼠迷宫的例子。现在我们不满足于评估一个固定策略，我们希望小鼠能自己学会最优策略（总是走向食物，避开电击）。

使用SARSA算法：

1. 初始化：迷宫每个位置（状态）的每个可能动作（向左、向右、向前）都有一个Q值，初始为0。
2. 一个学习回合开始：小鼠在起点（S）。
3. 它根据当前的Q表，以ε的概率随机探索，以1-ε的概率选择Q值最高的动作。假设它第一次选择了向左（A）。
4. 它执行“向左”动作，走到岔路口，但还没看到奖励（R=0，S‘=岔路口）。
5. 在岔路口（S‘），它再次根据当前Q表（ε-greedy）选择下一个动作A‘（比如向前）。
6. 关键更新：利用这五个元素（S起点, A向左, R=0, S‘岔路口, A‘向前），更新起点处“向左”这个动作的Q值：Q(起点, 向左) = Q(起点, 向左) + α * [0 + γ * Q(岔路口, 向前) - Q(起点, 向左)]。
7. 状态和动作前移：S = 岔路口，A = 向前。然后继续执行动作“向前”...
8. 如果走到食物点，获得大奖励R=+5，并且下一个状态S‘是终止状态。此时，SARSA更新公式中的Q(S‘, A‘)在终止状态下定义为0。更新后，导致获得食物的最后一步动作的Q值会大幅增加。
9. 经过大量这样的回合学习，最终Q表会收敛。在每个状态选择Q值最大的动作，就构成了最优策略。

4. 蒙特卡洛 vs. 时序差分：深入对比与选择指南

理解两者的根本区别对于正确应用至关重要。

如何选择？

• 选择蒙特卡洛：当任务天然是回合制的，并且你能承受较慢的学习速度，希望获得无偏的价值估计时。例如，模拟一个完整的生命周期的适应度评估（如一个生长季内植物的生长策略）。
• 选择时序差分：当任务需要在线快速学习，或者是连续任务时。TD方法通常更高效、更灵活，是大多数现代强化学习算法的基础。在生物模拟中，如果你想模拟动物在环境中实时学习适应，TD是更自然的选择。

5. 实践：用Python实现一个简单示例（网格世界）

让我们用一个经典的“网格世界”环境来实践这两种算法。环境描述：

• 4x4网格，左上角为起点(0,0)，右下角为终点(3,3)，到达终点奖励+1，其他转移奖励为0。
• 动作空间：上、下、左、右。撞墙则留在原地。
• 折扣因子γ=0.99。

我们将分别用首次访问MC和SARSA来学习最优策略。

5.1 环境搭建

import numpy as np import random class GridWorld: def __init__(self, size=4): self.size = size self.state = (0, 0) # 起点 self.goal = (size-1, size-1) self.actions = ['up', 'down', 'left', 'right'] self.action_map = {'up': (-1,0), 'down': (1,0), 'left': (0,-1), 'right': (0,1)} def reset(self): self.state = (0, 0) return self.state def step(self, action): move = self.action_map[action] next_state = (self.state[0] + move[0], self.state[1] + move[1]) # 检查边界 if 0 <= next_state[0] < self.size and 0 <= next_state[1] < self.size: self.state = next_state # 如果撞墙，状态不变 reward = 1.0 if self.state == self.goal else 0.0 done = (self.state == self.goal) return self.state, reward, done def get_all_states(self): return [(i, j) for i in range(self.size) for j in range(self.size)]

5.2 首次访问蒙特卡洛预测实现

假设我们评估一个随机策略（每个方向等概率选择）。

def mc_prediction(env, episodes=10000, gamma=0.99, alpha=0.01): V = {s: 0.0 for s in env.get_all_states()} returns = {s: [] for s in env.get_all_states()} for ep in range(episodes): trajectory = [] state = env.reset() done = False # 生成一个完整回合 while not done: action = random.choice(env.actions) # 随机策略 next_state, reward, done = env.step(action) trajectory.append((state, action, reward)) state = next_state # 回合结束，反向计算回报并更新 G = 0 visited_states = set() for t in reversed(range(len(trajectory))): state_t, action_t, reward_t_plus_1 = trajectory[t] G = gamma * G + reward_t_plus_1 # 首次访问型 if state_t not in visited_states: visited_states.add(state_t) returns[state_t].append(G) # 增量式更新平均值 V[state_t] = V[state_t] + alpha * (G - V[state_t]) return V # 运行MC预测 env = GridWorld() V_mc = mc_prediction(env, episodes=5000) print("MC预测的部分状态价值：") for i in range(4): for j in range(4): print(f"V({i},{j}): {V_mc[(i,j)]:.3f}", end=' | ') print()

5.3 SARSA控制算法实现

def sarsa(env, episodes=5000, alpha=0.1, gamma=0.99, epsilon=0.1): Q = {} for s in env.get_all_states(): for a in env.actions: Q[(s, a)] = 0.0 for ep in range(episodes): state = env.reset() # ε-greedy选择初始动作 if random.uniform(0, 1) < epsilon: action = random.choice(env.actions) else: action = max(env.actions, key=lambda a: Q[(state, a)]) done = False while not done: # 执行动作 next_state, reward, done = env.step(action) # 在下一状态用ε-greedy选择下一个动作 if random.uniform(0, 1) < epsilon: next_action = random.choice(env.actions) else: next_action = max(env.actions, key=lambda a: Q[(next_state, a)]) # SARSA更新 td_target = reward + (gamma * Q[(next_state, next_action)] if not done else 0) td_error = td_target - Q[(state, action)] Q[(state, action)] += alpha * td_error # 转移到下一个状态和动作 state, action = next_state, next_action # 从Q值中提取最优策略 policy = {} for s in env.get_all_states(): if s == env.goal: policy[s] = 'goal' else: policy[s] = max(env.actions, key=lambda a: Q[(s, a)]) return Q, policy # 运行SARSA Q_sarsa, policy_sarsa = sarsa(env, episodes=3000) print("\nSARSA学习的最优策略（部分）：") for i in range(4): for j in range(4): s = (i, j) print(f"{s}: {policy_sarsa[s]:<6}", end=' | ') print()

5.4 运行结果分析与对比

运行上述代码，你会观察到：

1. MC预测：V值会逐渐收敛。离终点越近的状态，其价值V(s)越高（接近γ^{步数}）。这符合直觉。
2. SARSA控制：学习到的策略会形成一条从起点到终点的有效路径（例如，先向右走到底，再向下走到底）。由于ε-greedy探索的存在，策略可能不是绝对唯一的“右下右下”，但一定是有效的。

你可以尝试调整参数（episodes,alpha,gamma,epsilon），观察收敛速度和最终策略的变化。例如，减小epsilon会让策略更贪婪，可能更快找到路径但容易陷入局部最优；增大alpha会加快学习但可能导致不稳定。

6. 在生物信息学与计算生物学中的潜在应用

理解MC和TD不仅是算法学习，更是为生物问题建模打开一扇门。

1. 蛋白质折叠与分子动力学：可以将蛋白质的构象空间视为状态空间，不同的分子操作（旋转键、调整二面角）视为动作。奖励函数基于能量函数（如力场能量）。MC方法（如Metropolis-Hastings）本身就是采样构象空间的重要工具，而TD方法可以用于学习一个能快速导向低能构象的“策略”。
2. 药物设计与分子生成：状态是分子结构，动作是添加/删除/修改原子或官能团。奖励基于药物的性质（如与靶点的结合亲和力、类药性）。MC可用于评估一批生成分子的整体质量，而TD（结合深度学习即深度强化学习）可以训练一个生成模型，使其迭代生成分子时每一步都向高奖励方向优化。
3. 生态学与行为学中的策略学习：如前文小鼠迷宫的例子。可以模拟动物在复杂环境（如具有多个资源点和风险点的景观）中的觅食、避险、求偶等策略学习。SARSA这类on-policy方法适合模拟个体基于自身经验的学习过程。
4. 神经科学中的多巴胺信号：TD误差（R + γV(S‘) - V(S)）在计算神经科学中被认为是大脑中多巴胺神经元信号的一个计算模型。它编码了“预期奖励”与“实际获得奖励”之间的差异，用于驱动学习。这为理解生物学习机制提供了计算框架。
5. 进化博弈与种群动力学：可以将种群中不同策略的频率变化建模为一个学习过程。虽然传统上用微分方程，但RL框架可以提供个体学习与群体动态之间的连接视角。

7. 常见问题与挑战

1. MC方法方差太大，学习不稳定怎么办？

   • 增加回合数：这是最直接的方法，但可能效率低下。
   • 使用资格迹（Eligibility Traces）：这是TD(λ)算法的核心，它能在MC和TD(0)之间平滑插值，有效降低方差并加速学习。这是后续学习的重要主题。

2. SARSA总是学得很“胆小”吗？

   • SARSA是on-policy的，它在学习时会考虑到探索行为（如ε-greedy中的随机动作）。因此，它评估的策略包含了探索，学到的策略会规避那些在探索时可能导致高风险的动作。这有时被视为一种“安全”的学习。如果你想要学习不考虑探索风险的最优策略，应该使用off-policy的Q-learning算法（其更新公式为：Q(S,A) ← Q(S,A) + α [ R + γ * max_a‘ Q(S‘, a‘) - Q(S,A) ]）。

3. 状态空间或动作空间太大怎么办？

   • 这是表格型方法的根本局限。当状态/动作多到无法用表格存储Q或V值时，就需要引入函数逼近，例如使用线性函数、神经网络来近似价值函数。这就是深度强化学习（如DQN）要解决的问题。

4. 如何设置超参数（α, γ, ε）？

   • 学习率α：通常从0.1左右开始尝试，如果学习不稳定（值震荡），就调小；如果学习太慢，就调大。也可以使用衰减的学习率。
   • 折扣因子γ：接近1表示重视远期奖励（长远规划），接近0表示重视即时奖励。在回合制任务中，如果关心最终结果，γ可设为0.99或1。在连续任务中，通常设为0.9到0.99之间。
   • 探索率ε：需要在探索和利用之间权衡。常见做法是从一个较高的值（如1.0）开始，随着训练逐渐衰减到一个很小的值（如0.01或0.1），这样初期充分探索，后期稳定利用学到的知识。

8. 总结与进阶方向

蒙特卡洛方法和时序差分算法是打开无模型强化学习大门的钥匙。MC教会我们如何从完整的经验中汲取教训，而TD则展示了如何利用每一步的即时反馈进行高效在线学习。SARSA作为TD控制的代表，提供了一个安全、实用的学习框架。

对于生物背景的学习者，掌握这两种方法的意义在于：

• 提供了建模工具：你可以将许多生物学习、适应和决策过程形式化为RL问题。
• 启发了机制理解：TD误差与多巴胺信号的关联，是计算神经科学的一个典范。
• 奠定了进阶基础：它们是理解Q-learning、深度Q网络（DQN）、策略梯度等高级算法的必经之路。

下一步你可以探索：

1. Q-learning：经典的off-policy TD控制算法，直接学习最优价值函数。
2. TD(λ)与资格迹：统一MC和TD的框架，能显著加速学习。
3. 函数逼近与深度强化学习：当面对高维状态（如图像、基因序列）时，如何用神经网络表示价值函数或策略。
4. 策略梯度方法：直接参数化并优化策略的另一大类算法，适用于连续动作空间。

建议从实现一个标准的Q-learning算法解决同样的网格世界开始，对比其与SARSA学到的策略有何不同。然后，尝试用OpenAI Gym中的FrozenLake或CartPole环境进行练习，这是迈向更复杂RL应用的坚实一步。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度