一、利用与探索

对于一个智能体而言需要权衡利用和探索。
利用就是利用过往的经验，探索就是对环境进行随机的探索

二、利用与探索的简单试验

2.1 环境构建

对于一个摇臂机器， 有n个臂，不同臂的中奖概率不同，我们需要在一定的摇臂次数之内达到最高的收益。

class RockerEnv:
    def __init__(self, rocker_reward_rate_list, total_do=30):
        self.rocker_reward_rate_list = rocker_reward_rate_list
        self.total_do = total_do
        self.cnt = 0
    
    def __len__(self):
        return len(self.rocker_reward_rate_list)

    def reset(self):
        self.cnt = 0
        
    def step(self, action):
        done = False
        if self.cnt >= self.total_do:
            done = True

        rocker_reward_rate = self.rocker_reward_rate_list[action]
        if rocker_reward_rate >= random.random():
            reward = 1
        else:
            reward = 0

        self.cnt += 1
        return reward, done

2.2 构建探索与利用的智能体

当生成的随机数小于探索概率的时候进行探索（即探索覆盖的概率范围是是0-探索概率），反之则利用之前的经验，及每个臂的平均期望。

import numpy as np

class RockerAgent:
    def __init__(self, explore_rate=0.1):
        self.explore_rate = explore_rate
        self.V = []
        
    def policy(self):
        """智能体的行动策略"""
        rockers = range(len(self.V))
        if  random.random() < self.explore_rate:
            return random.choice(rockers)
        return np.argmax(self.V)

    def play(self, env):
        env.reset()
        done = False
        rocker_done_nums = [0] * len(env)
        self.V = [0] * len(env)
        rewards = []
        while not done:
            action = self.policy()
            reward, done = env.step(action)
            # 更新经验
            new_avg = (self.V[action] + reward) / (rocker_done_nums[action] + 1)
            self.V[action] = new_avg
            rocker_done_nums[action] += 1
            rewards.append(reward)
        return rewards

2.3 智能体行动

针对不用策略进行多步探测，查看不同策略的最终受益。

from collections import defaultdict
import matplotlib.pyplot as plt

rk_env = RockerEnv([0.1, 0.8, 0.1, 0.9, 0.1, 0.6, 0.1])
explore_rate_list = [0.0, 0.1, 0.2, 0.5, 0.8]
total_do_list = list(range(10, 310, 10))

rewards_record_dict = defaultdict(list)
for ep in explore_rate_list:
    ag = RockerAgent(explore_rate=ep)
    for td in total_do_list:
        tmp_rewards = []
        for _ in range(3):
            rk_env.total_do = td
            tmp_rewards.append(np.mean(ag.play(rk_env)))
        rewards_record_dict[f'explore_rate={ep}'].append(np.mean(tmp_rewards))


for key_ in rewards_record_dict:
    plt.plot(rewards_record_dict[key_], label=key_)

plt.xticks(range(len(total_do_list)), total_do_list)
plt.legend()
plt.show()

从下图可以看出，在行动中增加一点探索(0.1, 0.2)可以达到较高的收益，在前期较小的探索率会有较大的波动，随着试验的次数增加收益会趋于稳定。

所以，要在一个领域达到较高的水准，需要我们具有一定的冒险精神，且持续不断的投入

最后

以上就是过时裙子为你收集整理的强化学习_03_利用与探索一、利用与探索二、利用与探索的简单试验的全部内容，希望文章能够帮你解决强化学习_03_利用与探索一、利用与探索二、利用与探索的简单试验所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。