强化学习算法中on-policy和off-policy

2024-05-28 13:44
文章标签 算法 学习 强化 policy

本文主要是介绍强化学习算法中on-policy和off-policy,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

强化学习算法中on-policy和off-policy

      • On-Policy
      • Off-Policy
      • 对比总结
      • 示例:SARSA vs Q-Learning
        • SARSA实现
        • Q-Learning实现
      • 结论

在强化学习中,策略(policy)是智能体选择动作的规则。根据策略更新的方式,强化学习算法可以分为on-policy和off-policy两类。这两种类型的主要区别在于它们如何使用和更新策略。

On-Policy

定义
On-policy算法使用与行为策略(behavior policy)相同的策略来生成数据和更新策略。这意味着智能体在训练过程中使用的策略与评估和更新策略是相同的。

特点

  1. 行为和目标策略相同:在探索环境和更新策略时使用相同的策略。
  2. 策略稳定性:通常需要在探索和利用之间找到平衡,例如使用epsilon-greedy策略。
  3. 直接策略改进:通过改进当前策略直接进行更新。

优点

  • 简单直接,易于实现和理解。
  • 在某些情况下可以更快地收敛,因为它直接优化当前策略。

缺点

  • 可能会在次优策略上花费大量时间,特别是在策略探索阶段。
  • 对策略的依赖性较强,可能会导致局部最优。

代表算法

  • SARSA(State-Action-Reward-State-Action)
  • Monte Carlo Control
  • Actor-Critic方法(部分实现)

Off-Policy

定义
Off-policy算法使用一个行为策略(behavior policy)生成数据,但使用另一个目标策略(target policy)来更新策略。行为策略和目标策略可以不同,这允许更多的灵活性和高效的探索。

特点

  1. 行为和目标策略不同:行为策略用于探索环境,目标策略用于评估和改进。
  2. 高效的样本利用:可以利用从不同策略生成的数据来改进目标策略。
  3. 广泛的适用性:适用于更多样化的探索策略。

优点

  • 允许使用不同的策略进行探索,可以更高效地利用样本。
  • 能够使用预先收集的数据(例如离线数据)进行策略更新。
  • 在某些情况下,可以更快地找到最优策略。

缺点

  • 需要处理行为策略和目标策略之间的差异,可能增加算法复杂性。
  • 可能会引入估计偏差,尤其是在策略差异较大时。

代表算法

  • Q-Learning
  • 深度Q网络(Deep Q-Network, DQN)
  • 重要性采样(Importance Sampling)
  • 经验回放(Experience Replay)在深度强化学习中常用于off-policy方法

对比总结

特点On-PolicyOff-Policy
策略类型行为策略和目标策略相同行为策略和目标策略不同
策略稳定性依赖于当前策略的探索和利用平衡可使用不同策略进行探索,目标策略更灵活
样本效率样本效率较低,需要大量的探索数据样本效率高,可利用离线数据和多策略数据
计算复杂性相对简单,直接更新当前策略复杂度较高,需要处理行为策略和目标策略的差异
代表算法SARSA, Monte Carlo ControlQ-Learning, DQN, 重要性采样, 经验回放
优缺点简单直接,可能陷入局部最优样本效率高,灵活性强,但可能引入估计偏差

示例:SARSA vs Q-Learning

以下是使用Python和OpenAI Gym实现SARSA和Q-Learning算法的简单示例。

SARSA实现
import gym
import numpy as npdef epsilon_greedy(Q, state, n_actions, epsilon):if np.random.rand() < epsilon:return np.random.choice(n_actions)else:return np.argmax(Q[state])def sarsa(env, num_episodes, alpha, gamma, epsilon):n_states = env.observation_space.nn_actions = env.action_space.nQ = np.zeros((n_states, n_actions))for episode in range(num_episodes):state = env.reset()action = epsilon_greedy(Q, state, n_actions, epsilon)done = Falsewhile not done:next_state, reward, done, _ = env.step(action)next_action = epsilon_greedy(Q, next_state, n_actions, epsilon)Q[state, action] += alpha * (reward + gamma * Q[next_state, next_action] - Q[state, action])state, action = next_state, next_actionif done:breakreturn Qenv = gym.make('Taxi-v3')
num_episodes = 500
alpha = 0.1
gamma = 0.99
epsilon = 0.1Q = sarsa(env, num_episodes, alpha, gamma, epsilon)
Q-Learning实现
import gym
import numpy as npdef epsilon_greedy(Q, state, n_actions, epsilon):if np.random.rand() < epsilon:return np.random.choice(n_actions)else:return np.argmax(Q[state])def q_learning(env, num_episodes, alpha, gamma, epsilon):n_states = env.observation_space.nn_actions = env.action_space.nQ = np.zeros((n_states, n_actions))for episode in range(num_episodes):state = env.reset()done = Falsewhile not done:action = epsilon_greedy(Q, state, n_actions, epsilon)next_state, reward, done, _ = env.step(action)Q[state, action] += alpha * (reward + gamma * np.max(Q[next_state]) - Q[state, action])state = next_stateif done:breakreturn Qenv = gym.make('Taxi-v3')
num_episodes = 500
alpha = 0.1
gamma = 0.99
epsilon = 0.1Q = q_learning(env, num_episodes, alpha, gamma, epsilon)

结论

SARSA 是 on-policy 算法,因为它在策略更新过程中使用的是行为策略,即在探索过程中选择的动作同样用于更新策略。Q-Learning 是 off-policy 算法,因为它在更新策略时使用的是行为策略生成的样本,但更新的依据是估计的最优策略(目标策略)。这两种策略的选择和使用在强化学习中各有优缺点,适用于不同的场景。

这篇关于强化学习算法中on-policy和off-policy的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1010730

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]