强化学习的知识储备【不断更新】

65 阅读 0 评论 43 点赞

我是靠谱客的博主花痴高跟鞋，最近开发中收集的这篇文章主要介绍强化学习的知识储备【不断更新】，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

强化学习的知识储备：

都为笔者自己理解，加上笔者刚接触这个领域不久，因此可能存在理解偏差，希望可以和大家多多讨论，写这个知识储备的目的就是记录一下自己常用的知识，便于回顾以及查找。毕竟自己记录的知识，回顾起来自己写的什么意思最容易理解。

1. Behavior Policy(行为策略 )和Target Policy(目标策略)

Behavior Policy：行为策略是用来与环境互动产生数据的策略，即在训练过程中做决策。例如智能体不断的与环境交互，更新Q表格中的Q值。
Target Policy：在行为策略产生的数据中不断学习、优化，即学习训练完毕后拿去应用的策略。也就是智能体根据Q表格中的数据进行学习，判断在每个状态下发起什么动作。

2. exploitation(利用) 和 exploration (探索)

exploitation：利用就是根据已有的经验去取得最大回报。比如，附近有十家餐馆，你已经去过里边的七家了，你知道这七家中红烧排骨最好吃，所以你会根据已有经验去吃红烧排骨，也不会去尝试另外的三家餐馆。这样是局部最优解。
exploration ：探索是指做你以前从来没有做过的事情，以期望获得更高的回报。这时候你就要去尝试剩下的三家餐馆，看看有没有更好吃的菜，去寻找全局最优解。

3. 贪婪策略和e-greedy贪婪策略

贪婪策略：是一个确定性的策略，每一次都选择回报价值最大的那个策略。

[pi (a|s)= begin{cases} 1, & text if a = max_a Q(s,a) \ 0, & text{otherwise} end{cases} ]

e-greedy贪婪策略：是一个不确定性的策略，平衡了利用和探索，其中选取动作值函数最大的部分为利用，仍有概率去寻找全局最优解为探索部分。令e=0.1，也就是有1-0.1=0.9的概率是利用，有0.1的概率是探索。也就是选择当前最大回报的概率是0.9，去寻找全局最优解进行探索的概率是0.1.

[pi (a|s)= begin{cases} 1-e, & text if a = max_a Q(s,a) \ e, & text{otherwise} end{cases} ]

4. On-Policy(Sarsa)&Off-Policy(Q-learning)

On-Policy：典型的算法就是Sarsa，获取数据的动作和最终策略的动作是一致的。

# Sarsa 算法
initialize Q(s,a) randomly
for each episode:
    initialize state s;
    choose action a from s using ε-greedy strategy;
    while s is not terminal:
        observe reward r and next state s';
        choose a' from s' using ε-greedy strategy;
        Q(s,a) = Q(s,a) + α[r + γ*Q(s',a') - Q(s,a)];
        s = s', a = a';

Off-Policy : 典型的算法就是Q-learning，获取数据的动作和最终策略的动作不一定一致，是因为有一个随机的概率去选择探索全局最优解。

# Q-learning 算法
initialize Q(s,a) randomly
for each episode:
    initialize state s;
    while s is not terminal:
        choose action a from s using ε-greedy strategy;
        observe reward r and next state s';
        Q(s,a) = Q(s,a) + α[r + γ*maxQ(s',a') - Q(s,a)];
        s = s';

总结：两个算法的主要区别就是在倒数第二行Q值更新那里，Q-learning在计算下一状态的预期收益时利用了max操作，也就是直接选择下一状态的最优动作，获取最大回报。但是实际过程中因为有e-greedy策略，有小概率选择探索，不会去选择当前最优的动作，所以学习时的policy和生成样本的policy不一定相同，为off-policy算法。Sarsa则是直接选择下一次动作去执行，就算下一步是选择探索，并且掉进了悬崖(迷宫问题，掉进悬崖就给一个负的reward)，它也会去执行，会把悬崖附近的Q值更新为负的，因此在迷宫问题中，它会离悬崖远远的。因为学习时的policy和预测时的policy一致，因此为on-policy