强化学习第九章:策略梯度方法

2024-08-26 22:36

本文主要是介绍强化学习第九章:策略梯度方法,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!

强化学习第九章:策略梯度方法

  • 思路
  • 优化函数
  • 优化函数的梯度
  • 求解 Monte Carlo policy gradient (REINFORCE)
  • 总结
  • 参考资料

思路

与上一章的思路类似, 状态-动作 对下标索引获取概率π(s, a)的方式转换为状态-动作对 或者状态输入到神经网络中,两种方式,之前DQN实际使用的第二种方式(输出作为状态动作价值):
在这里插入图片描述
同样,这种方式提高了数据的泛化性,存储效率高。

优化函数

接下来考虑基于策略的算法如何设定评价指标即优化函数呢,有两个:

  • 平均状态价值 average state value
    在这里插入图片描述
    其实就是求当前策略下 全局状态价值的期望 ,这个值越大,证明策略越好,d代表了 状态的分布
    对于d来说,
    • 如果与当前策略无关,那么就是一些 确切 的值,具体是多少呢?
      假如 平等 对待每个状态,那么就是都1/|S|
      假如只关心 一些状态 ,目的是优化策略 增加关心的 状态的价值,那么就赋 予这些状态更大的概率。
      在很多强化学习任务中,只关心从某个状态s0出发的最优策略,那么其实最大化的就是s0出发的 discounted return ,这个时候:
      在这里插入图片描述
    • 如果与当前策略有关,那么d就为dπ,dπ是个啥呢,其实就是马尔科夫链形成的平稳分布,有个性质就是,访问次数多的状态的dπ(s)大,反之小。
  • 平均一步奖励(immediately reward) average one-step reward
    在这里插入图片描述
    很好理解,再来看一下,针对一个状态的瞬时奖励的计算:
    在这里插入图片描述
    另一种表达式:
    在这里插入图片描述
    这种表达式的情况,当前策略下,瞬时奖励的期望 = 将一条轨迹的所有 瞬时奖励 求和再求算术平均,而这个 瞬时奖励 是个随机变量,所以有个期望符号。

回过头来,针对这个问题,设计了两个优化函数,那么做过优化的同学肯定知道现在该进行优化函数的相关性分析了,看他俩是否是一回事或者成正比(正相关)
直观上来看是正相关的,那么具体的证明呢,得利用到平稳分布的性质:
在这里插入图片描述
实际上就是一回事。

优化函数的梯度

对于上面的优化函数来说,求梯度之后都可以写成(具体赵老师书P206):
在这里插入图片描述
写成期望的形式:
在这里插入图片描述
OK,有梯度,开始求解

求解 Monte Carlo policy gradient (REINFORCE)

  • Monte Carlo policy gradient (REINFORCE)
    梯度上升迭代式:
    在这里插入图片描述
    这里和上面的梯度的区别在于:去掉了期望的符号,随机梯度下降;qπ变成了qt,熟悉的感觉来了,MC和TD,如果用MC,那么就是REINFORCE,如果是TD,那么请听下回分解。
    在这里插入图片描述

总结

注意最终的优化函数以及梯度的求解。

参考资料

【强化学习的数学原理】课程:从零开始到透彻理解(完结)

这篇关于强化学习第九章:策略梯度方法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/1109870

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

SpringBoot基于配置实现短信服务策略的动态切换

《SpringBoot基于配置实现短信服务策略的动态切换》这篇文章主要为大家详细介绍了SpringBoot在接入多个短信服务商(如阿里云、腾讯云、华为云)后,如何根据配置或环境切换使用不同的服务商,需... 目录目标功能示例配置(application.yml)配置类绑定短信发送策略接口示例:阿里云 & 腾

Windows 上如果忘记了 MySQL 密码 重置密码的两种方法

《Windows上如果忘记了MySQL密码重置密码的两种方法》:本文主要介绍Windows上如果忘记了MySQL密码重置密码的两种方法,本文通过两种方法结合实例代码给大家介绍的非常详细,感... 目录方法 1:以跳过权限验证模式启动 mysql 并重置密码方法 2:使用 my.ini 文件的临时配置在 Wi

MySQL重复数据处理的七种高效方法

《MySQL重复数据处理的七种高效方法》你是不是也曾遇到过这样的烦恼:明明系统测试时一切正常,上线后却频频出现重复数据,大批量导数据时,总有那么几条不听话的记录导致整个事务莫名回滚,今天,我就跟大家分... 目录1. 重复数据插入问题分析1.1 问题本质1.2 常见场景图2. 基础解决方案:使用异常捕获3.

最详细安装 PostgreSQL方法及常见问题解决

《最详细安装PostgreSQL方法及常见问题解决》:本文主要介绍最详细安装PostgreSQL方法及常见问题解决,介绍了在Windows系统上安装PostgreSQL及Linux系统上安装Po... 目录一、在 Windows 系统上安装 PostgreSQL1. 下载 PostgreSQL 安装包2.

SQL中redo log 刷⼊磁盘的常见方法

《SQL中redolog刷⼊磁盘的常见方法》本文主要介绍了SQL中redolog刷⼊磁盘的常见方法,将redolog刷入磁盘的方法确保了数据的持久性和一致性,下面就来具体介绍一下,感兴趣的可以了解... 目录Redo Log 刷入磁盘的方法Redo Log 刷入磁盘的过程代码示例(伪代码)在数据库系统中,r

redis过期key的删除策略介绍

《redis过期key的删除策略介绍》:本文主要介绍redis过期key的删除策略,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录第一种策略:被动删除第二种策略:定期删除第三种策略:强制删除关于big key的清理UNLINK命令FLUSHALL/FLUSHDB命

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用