玻尔兹曼分布与玻尔兹曼探索

目录

玻尔兹曼分布定义

玻尔兹曼探索：

[1. 玻尔兹曼分布公式](#1. 玻尔兹曼分布公式)

[2. 温度 T 如何影响采样结果？](#2. 温度 T 如何影响采样结果？)

[(1) 高温 (T→∞)：](#(1) 高温 (T→∞)：)

[(2) 低温 (T→0+)：](#(2) 低温 (T→0+)：)

[(3) 中等温度 (T∈(0,∞))：](#(3) 中等温度 (T∈(0,∞))：)

[3. 直观示例](#3. 直观示例)

[4. 实际应用中的意义](#4. 实际应用中的意义)

[5.核心误区澄清：选择机制 ≠ 贪心](#5.核心误区澄清：选择机制 ≠ 贪心)

总结

参考：

---

玻尔兹曼分布定义

在统计力学和数学中，玻尔兹曼分布 （英语：Boltzmann distribution），或称吉布斯分布 （英语：Gibbs distribution）[1]，是一种概率分布或概率测度，它给出一个系统处于某种状态的概率，是该状态的能量及温度的函数。该分布以下列形式表示：

其中pi是系统处于状态i的概率，εi是该状态的能量，kT为玻尔兹曼常数k和热力学温度T的乘积。符号∝表示比例（比例常数见§ 分布形式）。

两种状态的概率比称为玻尔兹曼因子，其特征在于其仅取决于两状态之能量差：

其中，pi为状态i的概率，pj为状态j的概率，而ϵi和ϵj分别为状态i和状态j的能量。两能量对应的概率比，必须考虑它们的简并能级。

该分布表明，低能量的状态比起高能量的状态具有较高的分布概率。同时，它也能够定量地比较两能级分布概率的关系。

玻尔兹曼分布是状态能量与系统温度的概率分布函数，给出了粒子处于特定状态下的概率[7]。其具有以下形式：

其中pi为状态i的概率，ϵi为状态i之能量， k为玻尔兹曼常数，T为系统的绝对温度，而M是系统中我们有兴趣且可知的状态数量。 分母为归一化常数Q，这个结果源自于所有可能状态的概率之和必须为1的约束条件。

玻尔兹曼分布是使熵最大化的分布。

玻尔兹曼探索：

在玻尔兹曼探索（Boltzmann Exploration）中，温度系数 TT 是一个关键的超参数，它直接控制着动作选择策略的探索-利用权衡 （Exploration-Exploitation Trade-off）。温度 TT 的变化会显著改变动作概率分布的形状，但不会改变动作价值（Q值）的相对排序。以下详细解释：

1. 玻尔兹曼分布公式

动作 a 被选择的概率由玻尔兹曼分布（Softmax 函数）给出：

其中：

• Q(a)是动作 aa 的价值估计，

• T>0 是温度系数，

• 分母是所有动作的指数值之和。

2. 温度 T 如何影响采样结果？

(1) 高温 (T→∞)：

• 效果：所有动作的概率趋近均匀分布。

• 数学解释 ：

• 行为 ：智能体完全随机探索，忽略动作的价值差异。

(2) 低温 (T→0+)：

• 效果：概率集中在价值最高的动作上。

• 数学解释：

  

• 行为 ：智能体趋于贪心策略（纯利用），几乎不探索。

(3) 中等温度 (T∈(0,∞))：

• T越大：动作概率分布越平缓（高熵，高探索性）。

• T 越小：分布越尖锐（低熵，高利用性）。

3. 直观示例

假设三个动作的 Q 值：Q(a1)=3, Q(a2)=2, Q(a3)=1：

温度 TT	P(a1)P(a1​)	P(a2)P(a2​)	P(a3)P(a3​)	分布特性
T=10	0.36	0.33	0.31	接近均匀分布
T=1	0.67	0.24	0.09	适度偏向最优动作
T=0.1	0.999	3.7×10−4	1.4×10−9	几乎贪心选择最优

✅ 始终满足 P(a1)>P(a2)>P(a3)，但概率差异随 TT 减小而急剧增大

4. 实际应用中的意义

• 退火策略（Annealing） ：

  实践中常从高温开始（充分探索），逐渐降低 TT（增加利用），平衡学习过程。

• 超参数调优 ：

  TT 需根据问题调整：

  • 高噪声环境 → 更高 TT（避免过早收敛到次优解）

  • 确定性环境 → 更低 TT（快速利用已知最优解）。

5.核心误区澄清：选择机制 ≠ 贪心

• ❌ 误解 ：

  "先计算概率分布 → 再选择概率最大的动作 = 贪心策略"

• ✅ 现实 ：

  玻尔兹曼探索的最终动作选择是依概率采样（Stochastic Sampling） ，而非固定选择最大概率动作。
  代码实现伪代码:

def boltzmann_exploration(Q_values, T):
    # 计算所有动作的指数权重
    exp_values = np.exp(Q_values / T)
    # 计算概率分布 (Softmax)
    probs = exp_values / np.sum(exp_values)
    # 关键步骤：按概率分布随机采样一个动作
    chosen_action = np.random.choice(actions, p=probs)
    return chosen_action

总结

• 玻尔兹曼探索的探索性来自随机采样，而非直接选择最大概率动作。

• 温度 TT 通过调节概率分布的平坦度控制采样随机性：

  • 高 TT → 分布平坦 → 采样结果多样性高 → 强探索。

  • 低 TT → 分布尖锐 → 采样结果集中在最优动作 → 弱探索。

• 贪心策略是 Boltzmann 在 T→0+T→0+ 时的极限情况，正常 T>0T>0 时必有探索行为。

这种设计使智能体能在利用已知高价值动作 的同时，智能地探索潜在有价值的替代动作（而非完全盲目随机），是平衡探索-利用的理想策略之一。

参考：

https://zh.wikipedia.org/wiki/%E7%8E%BB%E5%B0%94%E5%85%B9%E6%9B%BC%E5%88%86%E5%B8%83