RL Algorithm Components - 强化学习算法组件

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Solo95/article/details/100147150

RL Algorithm Components

通常包括一个或者更多：

• Model(模型): world对agent的动作如何改变的一种表示(representation)
• Policy(策略): 映射agent的state到动作的函数
• Value function(价值函数): 遵循一个policy处于一个状态/执行一个动作之后的未来奖励

Model

模型是Agent的world如何对其动作产生回应的表示(what happens in the world as it takes its action and what reward it might get)。

Transition/dynamics(变迁/动态)模型预测下一个agent的state p(st+1=s′∣st=s,at=1)p(s_{t+1}=s'|s_t=s,a_t=1)p(st+1​=s′∣st​=s,at​=1)

Reward模型预测即时奖励： r(st=s,at=a)=E[rt∣st=s,at=t]r(s_t=s,a_t=a)=\mathbb{E}[r_t|s_t=s,a_t=t]r(st​=s,at​=a)=E[rt​∣st​=s,at​=t]

Policy

策略π\piπ决定agent如何选择动作 π:S→A\pi: S \rightarrow Aπ:S→A，映射states到actions 确定性策略(Deterministic policy): π(s)=a\pi(s)=aπ(s)=a 随机性策略(Stochastic policy): π(a∣s)=Pr(at=a∣st=s)\pi(a|s)=Pr(a_t=a|s_t=s)π(a∣s)=Pr(at​=a∣st​=s)

Value

价值函数 VπV^{\pi}Vπ: 在一个特定策略π\piπ下所有未来的打折奖励总和的期望。 Vπ(st=s)=Eπ[rt+γrt+1+γ2rt+2+γ3rt+3+...+∣st=s]V^{\pi}(s_t=s)=\mathbb{E}_{\pi}[r_t+\gamma r_{t+1}+\gamma^2r_{t+2}+\gamma^3r_{t+3}+...+|s_t=s]Vπ(st​=s)=Eπ​[rt​+γrt+1​+γ2rt+2​+γ3rt+3​+...+∣st​=s]

折扣因子(Discount factor)γ\gammaγ(between 0 and 1)加权了即时奖励和未来奖励(weighted by how much I care about immediate versus long term rewards)。

可以被用于量化状态和动作的好坏程度。

通过比较不同的策略决定如何行动。

RL Agents

基于模型的(Model-based)

- 显式：模型
- 可能有也可能没有策略和/或价值函数

不基于模型的(Model-free)

-显式：价值函数和/或策略函数
-没有模型

在这里插入图片描述

Key Challenges in Learning to Male Sequences of Good decisions

下面是在对比规划和强化学习:

规划(planning)(Agent的内部计算)

• 给定模型world怎样运作
  • 动态和奖励模型
• 算法计算如何行动以取得最大奖励期望
  • 和实际环境没有交互

Reinforcement Learning

• Agent不知道world怎样运作
• 显式或者隐式地和world交互以学习world如何运作
• Agent会改进策略(可能包含规划过程)