前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >n步自举法:时序差分方法与蒙特卡洛方法的结合

n步自举法:时序差分方法与蒙特卡洛方法的结合

作者头像
Piper蛋窝
发布2020-11-19 17:27:48
7800
发布2020-11-19 17:27:48
举报
文章被收录于专栏:Piper蛋窝Piper蛋窝

前言: 之前讨论了(1步)时序差分方法(链接)与蒙特卡洛方法(链接)。刚刚学习完 Sutton 的《强化学习(第二版)》的第七章:n步自举法。它是时序差分方法与蒙特卡洛方法的折中,一般地,效果要好于二者。

本次笔记不记录公式、算法框架,介绍思想。具体内容请见中文电子书:

第7章 n 步引导(Bootstrapping)方法:

http://rl.qiwihui.com/zh_CN/latest/partI/chapter7/n_step_bootstrapping.html

n步自举法与时序差分方法、蒙特卡洛方法

如上图:

  • 时序差分方法中,下一状态的价值是“估计”出来的;
  • 蒙特卡洛方法中,下一状态的价值是在整个幕都终止后,更加后续状态的折扣算出来的,是“已知”的;
  • n步自举法有“部分估计”、“部分已知”的特性。但是,所有n步方法都要在更新之前延迟至n个时刻步长。

同轨策略下的控制:为什么n步比1步收敛得更快

如上图,取自 Sutton 的书,只有G点有收益,状态到达G点后:

  • 在1步控制中(即之前所谓的“时序差分学习”),到达G的前1步的“状态-动作”价值得到了增强;
  • 在10步控制中,到达G的前的第10步就可以“感受”到价值的增强。

离轨策略下的n步学习:共4种

在蒙特卡洛方法中我讨论过“重要度采样率”,用于离轨策略下的学习(包括估值与控制);在时序差分控制的“期望Sarsa”中,采用后续状态的动作期望,对节点进行估值。这两个思想在离轨策略下的n步学习中得以混合、应用。

上图取自 Sutton 的书,从左到右的解释见下表:

名称

介绍

可推广为带控制变量的每次决策型方法

基于后续n步状态的采样率对收益进行学习

不使用重要度采样:n步树回溯算法

基于后续n步状态的“状态-动作”-收益期望进行学习

n步期望Sarsa

基于后续第n步状态的“状态-动作”-收益期望进行学习,其他进行重要度采样*

n步Q(σ)

对后续n步交叉采取重要度采样率与期望进行学习

[*] n步期望Sarsa 与 n步Sarsa略有不同:

  • 在期望Sarsa中,采样率取而非Sarsa的;
  • 因为在期望Sarsa方法中,最有一个状态考虑所有可能的动作,实际采取哪个动作不重要,无需修正。

代码:n步时序差分预测

使用例子 6.2 ,如下图。

n步时序差分预测算法框图如下。

来自:Zhang's GitHub

https://github.com/ShangtongZhang/reinforcement-learning-an-introduction/tree/master/chapter07

运行结果:

我对代码进行了1处标注。

其他:数学性

本章公式较多,值得一提的是,n步时序差分方法有坚实的数学基础,引用书上的话:在最坏的情况下,采用它的期望值作为对的估计可以保证比更好;即n步回报的期望的最坏误差能够保证不大于的最坏误差的倍()。

但 n 并非越大越好,从代码产生的例子中我们可以看出。

此外,更新公式间的递推转换,不予过分关注。

另外提一点:Sutton 在第一版中认为“n步算法在实际中不可行”,而见过Cichosz(1995),van Seijen(2016)的研究后,认为其为很实用的算法。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-01-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Piper蛋窝 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • n步自举法与时序差分方法、蒙特卡洛方法
  • 同轨策略下的控制:为什么n步比1步收敛得更快
  • 离轨策略下的n步学习:共4种
  • 代码:n步时序差分预测
  • 其他:数学性
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档