增强学习ReinforcementLearning经典算法梳理VIP免费

增强学习ReinforcementLearning经典算法梳理1：policyandvalueiteration前言就目前来看，深度增强学习（DeepReinforcementLearning)中的很多方法都是基于以前的增强学习算法，将其中的valuefunction价值函数或者Policyfunction策略函数用深度神经网络替代而实现。因此，本文尝试总结增强学习中的经典算法。本文主要参考：1ReinforcementLearning:AnIntroduction；2ReinforcementLearningCoursebyDavidSilver1预备知识对增强学习有所理解，知道MDP，Bellman方程详细可见：DeepReinforcementLearning基础知识（DQN方面）很多算法都是基于求解Bellman方程而形成：ValueIterationPolicyIterationQ-LearningSARSA2PolicyIteration策略迭代PolicyIteration的目的是通过迭代计算valuefunction价值函数的方式来使policy收敛到最优。PolicyIteration本质上就是直接使用Bellman方程而得到的：那么PolicyIteration一般分成两步：PolicyEvaluation策略评估。目的是更新ValueFunctionPolicyImprovement策略改进。使用greedypolicy产生新的样本用于第一步的策略评估。本质上就是使用当前策略产生新的样本，然后使用新的样本更新当前的策略，然后不断反复。理论可以证明最终策略将收敛到最优。具体算法：那么这里要注意的是policyevaluation部分。这里的迭代很重要的一点是需要知道state状态转移概率p。也就是说依赖于model模型。而且按照算法要反复迭代直到收敛为止。所以一般需要做限制。比如到某一个比率或者次数就停止迭代。3ValueIteration价值迭代ValueIteration则是使用Bellman最优方程得到然后改变成迭代形式valueiteration的算法如下：那么问题来了：PolicyIteration和ValueIteration有什么本质区别？为什么一个叫policyiteration，一个叫valueiteration呢？原因其实很好理解，policyiteration使用bellman方程来更新value，最后收敛的value即vπ是当前policy下的value值（所以叫做对policy进行评估），目的是为了后面的policyimprovement得到新的policy。而valueiteration是使用bellman最优方程来更新value，最后收敛得到的value即v∗就是当前state状态下的最优的value值。因此，只要最后收敛，那么最优的policy也就得到的。因此这个方法是基于更新value的，所以叫valueiteration。从上面的分析看，valueiteration较之policyiteration更直接。不过问题也都是一样，需要知道状态转移函数p才能计算。本质上依赖于模型，而且理想条件下需要遍历所有的状态，这在稍微复杂一点的问题上就基本不可能了。4异步更新问题那么上面的算法的核心是更新每个状态的value值。那么可以通过运行多个实例同时采集样本来实现异步更新。而基于异步更新的思想，DeepMind出了一篇不错的paper：AsynchronousMethodsforDeepReinforcementLearning。该文对于Atari游戏的效果得到大幅提升。5小结ReinforcementLearning有很多经典算法，很多算法都基于以上衍生。鉴于篇幅问题，下一个blog再分析基于蒙特卡洛的算法。增强学习ReinforcementLearning经典算法梳理2：蒙特卡洛方法1前言在上一篇文章中，我们介绍了基于Bellman方程而得到的PolicyIteration和ValueIteration两种基本的算法，但是这两种算法实际上很难直接应用，原因在于依然是偏于理想化的两个算法，需要知道状态转移概率，也需要遍历所有的状态。对于遍历状态这个事，我们当然可以不用做到完全遍历，而只需要尽可能的通过探索来遍及各种状态即可。而对于状态转移概率，也就是依赖于模型Model，这是比较困难的事情。什么是状态转移？就比如一颗子弹，如果我知道它的运动速度，运动的当前位置，空气阻力等等，我就可以用牛顿运动定律来描述它的运动，进而知道子弹下一个时刻会大概在哪个位置出现。那么这个基于牛顿运动定律来描述其运动就是一个模型Model，我们也就可以知道其状态（空间位置，速度）的变化概率。那么基本上所以的增强学习问题都需要有一定的模型的先验知识，至少根据先验知识我们可以来确定需要多少输入可以导致多少输出。比如说玩Atari这个游戏，如果输入只有屏幕的一半，那么我们知道不管算法多么好，也无法训练出来。因为输入被限制了，...