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
通常包括一个或者更多:
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]
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)
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。
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
下面是在对比规划和强化学习:
规划(planning)(Agent的内部计算)
Reinforcement Learning