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

Linux换行符的使用方法详解

《Linux换行符的使用方法详解》本文介绍了Linux中常用的换行符LF及其在文件中的表示,展示了如何使用sed命令替换换行符,并列举了与换行符处理相关的Linux命令,通过代码讲解的非常详细,需要的... 目录简介检测文件中的换行符使用 cat -A 查看换行符使用 od -c 检查字符换行符格式转换将

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Java中的String.valueOf()和toString()方法区别小结

《Java中的String.valueOf()和toString()方法区别小结》字符串操作是开发者日常编程任务中不可或缺的一部分,转换为字符串是一种常见需求,其中最常见的就是String.value... 目录String.valueOf()方法方法定义方法实现使用示例使用场景toString()方法方法

Java中List的contains()方法的使用小结

《Java中List的contains()方法的使用小结》List的contains()方法用于检查列表中是否包含指定的元素,借助equals()方法进行判断,下面就来介绍Java中List的c... 目录详细展开1. 方法签名2. 工作原理3. 使用示例4. 注意事项总结结论:List 的 contain

macOS无效Launchpad图标轻松删除的4 种实用方法

《macOS无效Launchpad图标轻松删除的4种实用方法》mac中不在appstore上下载的应用经常在删除后它的图标还残留在launchpad中,并且长按图标也不会出现删除符号,下面解决这个问... 在 MACOS 上,Launchpad(也就是「启动台」)是一个便捷的 App 启动工具。但有时候,应

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法

《mysql出现ERROR2003(HY000):Can‘tconnecttoMySQLserveron‘localhost‘(10061)的解决方法》本文主要介绍了mysql出现... 目录前言:第一步:第二步:第三步:总结:前言:当你想通过命令窗口想打开mysql时候发现提http://www.cpp

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE