强化学习读书笔记 - 08 - 规划式方法和学习式方法
学习笔记:
Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto c 2014, 2015, 2016
需要了解强化学习的数学符号,先看看这里:
什么是模型(model)
环境的模型,本体可以通过模型来预测行为的反应。
对于随机的环境,有两种不同的模型:
- distribution model - 分布式模型,返回行为的各种可能和其概率。
- sample model - 样本式模型,根据概率,返回行为的一种可能。
样本式模型的数学表达
(R, S') = model(S, A)
规划型方法和学习型方法(Planning and Learning with Tabular Methods)
- planning methods - 规划型方法。通过模型来获得价值信息(行动状态转换,奖赏等)。
比如:动态规划(dynamic programming)和启发式查询(heuristic search)。
模型planning相当于模型模拟(model simulation)。
- learning methods - 学习型方法。通过体验(experience)来获得价值信息。
比如:蒙特卡洛方法(Mento Carlo method)和时序差分方法(temporal different method)。
蒙特卡洛树方法是一个规划型方法,需要一个样本式模型。而蒙特卡洛方法是一个学习型方法。
这并不矛盾,只是意味着学习型方法的体验是可以用模型来执行,而获得一个模拟的经验(simulated experience)。
- 规划型方法和学习型方法的相似性
规划型方法和学习型方法都是通过计算策略价值来优化策略。因此,可以融合到一起。
见书中例子:Random-sample on-step tabular Q-planning.
规划型方法
规划就是通过模型来学习 - 优化策略,有两种:
- state-place planning - 状态空间规划
这也是本书中所讲的。
- plan-place planning - 规划空间规划
本书不讲。
Dyna - 结合模型学习和直接强化学习
- model learning - 模型学习,通过体验来优化模型的过程。
- directly reinforcement learning - 直接强化学习,通过体验来优化策略的过程。
这里的思想是:通过体验来直接优化策略和优化模型(再优化策略)。见图:
Tabular Dyna-Q
理解
上面的算法,如果n=0,就是Q-learning算法。Dyna-Q的算法的优势在于性能上的提高。
我想主要原因是通过建立模型,减少了操作(c),模型学习到了Model(S, A) \gets R, S'
优化的交换(Prioritized Sweeping)
下面的算法,提供了一种性能的优化,只评估那些误差大于一定值\(\theta\)的策略价值。
蒙特卡洛树搜索
我有另外一个博文介绍了这个算法。
蒙特卡洛树搜索算法(UCT): 一个程序猿进化的故事
参照