RL Algorithm Components - 强化学习算法组件

RL Algorithm Components

通常包括一个或者更多：

• Model(模型): world对agent的动作如何改变的一种表示(representation)
• Policy(策略): 映射agent的state到动作的函数
• Value function(价值函数): 遵循一个policy处于一个状态/执行一个动作之后的未来奖励

Model

模型是Agent的world如何对其动作产生回应的表示(what happens in the world as it takes its action and what reward it might get)。

Transition/dynamics(变迁/动态)模型预测下一个agent的state
$$p(s_{t+1}=s^{\prime }|s_t=s,a_t=1)$$

Reward模型预测即时奖励：
$$r(s_t=s,a_t=a)=\mathbb{E}[r_t|s_t=s,a_t=t]$$

Policy

策略$\pi$决定agent如何选择动作
$\pi :S\to A$，映射states到actions
确定性策略(Deterministic policy):
$$\pi (s)=a$$
随机性策略(Stochastic policy):
$$\pi (a|s)=Pr(a_t=a|s_t=s)$$

Value

价值函数 $V^{\pi }$: 在一个特定策略$\pi$下所有未来的打折奖励总和的期望。
$V^{\pi }(s_t=s)={\mathbb{E}}_{\pi }[r_t+\gamma r_{t+1}+{\gamma }^2{r}_{t+2}+{\gamma }^3{r}_{t+3}+...+|s_t=s]$

折扣因子(Discount factor)$\gamma$(between 0 and 1)加权了即时奖励和未来奖励(weighted by how much I care about immediate versus long term rewards)。

可以被用于量化状态和动作的好坏程度。

通过比较不同的策略决定如何行动。

RL Agents

基于模型的(Model-based)

- 显式：模型
- 可能有也可能没有策略和/或价值函数

不基于模型的(Model-free)

-显式：价值函数和/或策略函数
-没有模型

Key Challenges in Learning to Male Sequences of Good decisions

下面是在对比规划和强化学习:

规划(planning)(Agent的内部计算)

• 给定模型world怎样运作
  • 动态和奖励模型
• 算法计算如何行动以取得最大奖励期望
  • 和实际环境没有交互

Reinforcement Learning

• Agent不知道world怎样运作
• 显式或者隐式地和world交互以学习world如何运作
• Agent会改进策略(可能包含规划过程)