科技网站建设的调研,做网站一定需要虚拟主机吗,网站在线咨询怎么做,中国包装创意设计大赛强化学习算法总结 2
4.动态规划
待解决问题分解成若干个子问题#xff0c;先求解子问题#xff0c;然后得到目标问题的解
需要知道整个状态转移函数和价值函数#xff0c;状态空间离散且有限
策略迭代#xff1a; 策略评估:贝尔曼期望方程来得到一个策略的 V ( s ) V(s…强化学习算法总结 2
4.动态规划
待解决问题分解成若干个子问题先求解子问题然后得到目标问题的解
需要知道整个状态转移函数和价值函数状态空间离散且有限
策略迭代 策略评估:贝尔曼期望方程来得到一个策略的 V ( s ) V(s) V(s)策略提升: 价值迭代
4.1 策略迭代算法
策略评估 V ( S ) ∑ a π ( a ∣ s ) Q ( s , a ) ∑ a π ( a ∣ s ) ( r ( a , s ) γ ∑ s P ( s ′ ∣ s , a ) V π ( S ′ ) ) V(S) \sum_a \pi(a|s)Q(s,a) \sum_a \pi(a|s)(r(a,s) \gamma\sum_s P(s|s,a)V^\pi(S)) V(S)a∑π(a∣s)Q(s,a)a∑π(a∣s)(r(a,s)γs∑P(s′∣s,a)Vπ(S′))
知道状态转移函数和未来状态价值就可以估计当前的状态我们只需要求解 V ( s ) V(s) V(s)
这里就是利用贝尔曼方程来不断地更新 V ( s ) V(s) V(s), V ( S ) k 1 ∑ a π ( a ∣ s ) Q ( s , a ) ∑ a π ( a ∣ s ) ( r ( a , s ) γ ∑ s P ( s ′ ∣ s , a ) V k ( S ′ ) ) V(S)^{k1} \sum_a \pi(a|s)Q(s,a) \sum_a \pi(a|s)(r(a,s) \gamma\sum_s P(s|s,a)V^k(S)) V(S)k1a∑π(a∣s)Q(s,a)a∑π(a∣s)(r(a,s)γs∑P(s′∣s,a)Vk(S′)) 策略提升 只要当前状态下的策略的得到的状态动作函数比 V ( S ) V(S) V(S)高一些 π ′ ( s ) a r g m a x a Q π ( s , a ) \pi(s) argmax_aQ^\pi(s,a) π′(s)argmaxaQπ(s,a) 策略迭代 π 0 策略评估 V π 0 S 策略提升 π 1 \pi^0 策略评估 V\pi_0S策略提升 \pi^1 π0策略评估Vπ0S策略提升π1
代码 策略评估 w h i l e max θ d o : m a x 0 f o r s i n r a n g e ( S ) : v V ( s ) 所有 Q ( s , a 求和 ) V ( S ) ( b e l l m a n f u c t i o n ) m a x m a x ( m a x , V ( s ) − v ) while \ \max \ \theta \ do: \\ \ max 0 \\ \ for \ s \ in \ range(S):\\ \ v V(s)所有Q(s,a求和)\\ \ V(S) (bellman fuction)\\ \ max max(max,V(s) - v) while max θ do: max0 for s in range(S): vV(s)所有Q(s,a求和) V(S)(bellmanfuction) maxmax(max,V(s)−v)
* 策略提升 f o r s i n S π ( s ) a r g m a x ( Q ( s , a ) ) for\ s\ in\ S\\ \pi (s) argmax(Q(s,a)) for s in Sπ(s)argmax(Q(s,a))
4.2 价值迭代算法 V k 1 ( s ) m a x a { r ( s , a ) γ ∑ s P V k } V^{k1}(s) max_a\{ r(s,a)\gamma\sum_sPV^k\} Vk1(s)maxa{r(s,a)γs∑PVk}
可以理解为只执行一轮的策略迭代算法
5 时序差分算法
在数据分布未知的情况下来对模型进行更新通过智能体与环境的交互进行学习。无模型的强化学习。
在线强化学习使用当前策略下采样得到的数据进行学习离线强化学习使用经验回访池
5.1 时序差分 V ( S t ) V ( s t ) α [ G t − V ( s t ) ] V(S_t) V(s_t) \alpha[G_t - V(s_t)] V(St)V(st)α[Gt−V(st)] G t G_t Gt表示整个序列采集结束之后得到的回报。而很多时候我们是没有办法 V ( s t ) α [ r t γ V ( s t 1 ) − V ( s t ) ] V(s_t) \alpha[r_t \gamma V(s_{t1}) -V(s_t) ] V(st)α[rtγV(st1)−V(st)] 用时序差分法估计到了状态价值函数 V ( s ) V(s) V(s)
5.2 SARSA Q ( s , a ) α [ r ( s , a ) γ Q ( s , a ) − Q ( s , a ) ] Q(s,a) \alpha[r(s,a) \gamma Q(s,a) - Q(s,a)] Q(s,a)α[r(s,a)γQ(s,a)−Q(s,a)]
$$ \begin{equation} \pi(a|s)\left{ \begin{aligned} argmax(Q(s,a)) \ if \ prob \ 1- \epsilon \ random \ \
\end{aligned} \right. \end{equation} $$
5.3 多步Sarsa
MC方法是无偏估计但是方差比较大
TD 是有偏估计因为每一个对下一个状态的价值都是估计的 Q ( s t , a t ) α [ r t γ Q ( s t 1 ) γ 2 Q ( s t 2 ) γ 3 Q ( s t 3 ) . . . − Q ( s , a ) ] Q(s_t,a_t) \alpha[ r_t \gamma Q(s_{t1}) \gamma^2 Q(s_{t2}) \gamma^3 Q(s_{t3})... -Q(s,a) ] Q(st,at)α[rtγQ(st1)γ2Q(st2)γ3Q(st3)...−Q(s,a)] 代码实现上是前几次不执行只是进行数据的收集第n次开始进行多步Sarsa
5.4 Q-learning Q ( s , a ) α [ r ( s , a ) γ m a x a Q ( s , a ) − Q ( s , a ) ] Q(s,a) \alpha[r(s,a) \gamma max_aQ(s,a) - Q(s,a)] Q(s,a)α[r(s,a)γmaxaQ(s,a)−Q(s,a)]
Q-learning的时序差分算法在算下一个状态的Q的时候会取最大的那个
Sarsa会先 ϵ − g r e e d y \epsilon -greedy ϵ−greedy 选择sa然后计算TD_error,然后估计Q(s’,a’)(比如放在环境中跑一下
Q-learning next_s和a之后会找到最大的Q(s’,a’),不依赖于 ϵ − g r e e d y \epsilon -greedy ϵ−greedy 的a 在线策略算法和离线策略算法 在线策略算法行为策略采样数据的策略和 目标策略用于更新的策略是同一个策略 离线策略算法行为策略和目标策略并不是同一个策略
7 DQN算法
Q网络的损失函数 w ∗ a r g m i n w 1 2 N ∑ i 1 N [ r i γ m a x i Q w ( s i ′ , a ′ ) − Q w ( s i , a i ) ] w^* argmin_w \frac{1}{2N}\sum_{i1}^N[r_i\gamma max_i Q_w(s_i,a) - Q_w(s_i,a_i)] w∗argminw2N1i1∑N[riγmaxiQw(si′,a′)−Qw(si,ai)] 经验回放 制作一个数据回放缓冲区每次环境中得到的s,a,r,s’都进行存放 目标网络
采用TD_error作为我们的误差但是包含着网络的输出所以在更新网络参数的时候目标也在不断地更新
因为优化目标是让 Q → r γ m a x Q ( s ′ a ′ ) Q \rightarrow r\gamma max Q(sa) Q→rγmaxQ(s′a′)
