(1)在model-based RL里,虽然学习MDP模型可以提高强化学习的效率,但是如果模型误差较大可能导致学不到较好的策略,这个问题一般怎么解决?
如果模型学习的不够精准,那就只能用很短很短的rollout来做planning。例如Q-planning就是1步的rollout,这样并不能特别高的提升sample efficiency。
如果模型比较准,那就可以用Model-based Policy Optimization (MBPO)这种方法去做一定长度(k-step)的rollout,这样能进一步提高sample efficiency。
(2)基于模型的强化学习与模型无关的强化学习
基于模型的强化学习(model based),一种是MDP,根据价值迭代或者策略迭代求解。另外一种是,一开始环境未知,通过和环境交互的经验,把这个未知的环境变成一个近似已知的MDP,再用价值迭代或者策略迭代求解。
模型无关的强化学习(model free),通过和环境交互的经验,直接学得每个状态或者状态-动作的价值函数,或者直接学得一个策略函数,整个过程并没有把环境求解出来。
。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
如果大家喜欢这篇文章的话,希望大家收藏、转发、关注、评论、点赞,转载请注明出自这里。 PS:本随笔属个人学习小结,文中内容有参考互联网上的相关文章。如果您博文的链接被我引用,我承诺不会参杂经济利益;如果有版权纠纷,请私信留言。其中如果发现文中有不正确的认知或遗漏的地方请评论告知,谢谢! 还是那句话:不是我喜欢copy,是站在巨人的肩膀上~~