强化学习的state和observation

最新推荐文章于 2024-05-18 18:44:12 发布
最新推荐文章于 2024-05-18 18:44:12 发布
阅读量2.6k 收藏 3
点赞数 7
分类专栏： 强化学习 文章标签： 强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Xurui_Luo/article/details/106841950
版权
  • state：全局的状态，是全局的
  • observation：agent的观测，是局部的

如果是单一agent的场景下，state和observation并没有区别
如果是多agent的场景下，则每个agent的observation与全局的state是不一样的

Xurui_Luo
关注
  • 7
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
强化学习入门
mike112223的博客
05-30 561
Agent 一个可以做动作的代理。例如一个运输的无人机，或者超级马里奥游戏。算法就是代理。在生活中，代理就是你。 Action A是代理可能做的所有动作的集合。一个动作是一目了然的，但是需要注意的是，代理必须从这个集合里选择动作。在视频游戏里，这个list可能包括，左右移动，跳高跳低，蹲下或者静止不动。在股票市场，这个list可能是买，卖或持有。 Discount factor 衰减因子通过乘在未...
深度强化学习：入门(Deep Reinforcement Learning: Scratching the surface)
热门推荐
MapleStory的博客
11-21 2万+
本博客是对学习李宏毅教授在youtube上传的课程视频《Deep Reinforcement Learning: Scratching the surface》所做的笔记，供大家学习参考。需要翻墙：课程视频链接热度起源 RL的方案 学习Go监督学习与增强学习 更多应用 RL的难点 后面内容的大纲 Policy-based ApproachLearning an Actor热度起源 15年2月：Goo
强化学习State和Observation的区别
lxlong的博客
10-11 5785
State和Observation区别： State是Environment的私有表达，我们往往不知道不会直接到的。在 MDP 中，当前状态State（Markov state）包含了所有历史信息，即将来只和现在有关，与过去无关，因为现在状态包含了所有历史信息。举个例子，在一个遵循牛顿第二定律的世界里，我们随意抛出一个小球，某一时刻t知道了小球的速度和加速度，那么t之后的小球的位置都可以...
强化学习——基本概念
最新发布
qq_56086076的博客
05-18 739
本文主要包括强化学习的基本概念
强化学习 # 概述
skysys的研究小屋
12-10 1279
博主在学习强化学习和深度强化学习中对RL/DRL的归纳总结。 1 Introduction 强化学习的关键是：exploitation（利用） 和 exploration （探索），也可以解读为trial和reward。 和监督学习算法的区别是： 监督学习：已知数据、标签 强化学习：一开始没有标签，通过try获得data和label RL的一些基本算法：通过行为的价值来选取特定行为的方法, 包括使用表格学习的 q learning, sarsa, 使用神经网络学习的 deep q network,.
强化学习术语简介
qq_31239371的博客
05-06 936
state:对于环境（世界）的一个完整的描述 observation:对于state的部分描述，即可能会省略掉部分信息 在深度强化学习中，通常用实值向量、矩阵或高阶张量来表示state和obversation。例如，一个视觉观察可以用其像素值的RGB矩阵表示;机器人的状态可以用关节角和速度来表示。 当agent能够观察到环境的完整状态时，我们就说环境被完全观察到了(fully observed)。当agent只能看到部分观察结果时，我们说环境被部分观察到了(partially observed)。
强化学习——OpenAI Gym——环境理解和显示
12-21
在强化学习中，OpenAI Gym是一个广泛使用的平台，它提供了许多环境用于训练和测试智能体。本文将深入探讨OpenAI Gym环境的理解和显示，以CartPole为例。 首先，我们需要导入`gym`库，并创建一个特定的环境。在...
强化学习研究：使用稳定的基准，TensorBoard
02-13
强化学习研究使用稳定基线TensorBoard目的查找如何实施强化学习（RL）代码。过程配对库需要tensorflow = 1.14.0实施方法“ gym.Env”应该被继承。 应该定义“ action_space”和“ observation_space”。 两者都可以...
强化学习一：基础部分 - 知乎.pdf
05-18
总的来说，强化学习是一个强大的工具，它使机器能够在动态环境中自我学习和改进，而不需要人类提供详尽的指导。随着算法和技术的进步，强化学习在自动驾驶、游戏AI、机器人控制等领域展现出巨大的潜力。
论文研究-A New Filtering Algorithm for Stochastic Dynamical Systems with State-Dependent Observation Noise.pdf
08-24
具有状态相关观测噪声随机动态系统的新滤波算法，唐建芳，李建波，近几十年来,对于具有与状态相关观测噪声的随机动态系统,人们已经给出卡尔曼滤波的许多扩展研究状态估计问题。本文主要讨论一个带�
强化学习极简概述
ybdesire的专栏
07-22 416
1. 摘要 通过对比有监督学习，来理解强化学习的基本思想。 2. 强化学习与有监督学习的区别 在有监督学习中，我们通过建立“特征->标签”对，来训练模型，从而让模型学会解决分类、回归问题。 但在强化学习中，我们没有标签，我们的Y值只是一个分数(reward)。通过这个分数，可以衡量模型所做决策（决策位于X中）的好坏。 在gym环境中，the goal is always to ...
1.什么是强化学习
weixin_40593865的博客
05-21 1281
强化学习组成部分： 状态/观测值（state/observation）：当前情况； 动作（action）：当前采取的动作以及下一步的动作； 奖励（reward）：基于当前的state和action会获得的奖励； 策略（policy）：如何做决策； 动态环境（environment dynamics）:包括转移矩阵或者环境的核函数 强化学习有以下特点： 无监督 反馈滞后 时间重要，顺序进程 无独立同分布假设，agent根据环境影响采取行动 即通过积累求最大化的问题 记录历史参数： Ht
强化学习实战二
The Thinker
03-31 2025
这篇博客主要讲解强化学习中两种典型的问题：离散动作与连续动作，通过前面的学习我们知道离散动作问题可以用 Q-Learning算法 解决，而连续动作问题可以用 Policy Gradients算法 解决。 这篇博客使用的项目环境： MountainCar v0 MountainCarContinuous v0 1. MountainCar v0 问题描述：将动力不足的汽车推到山顶 ...
RL中state和observation异同
weixin_45760718的博客
06-03 137
因此，对于SARL，state和observation所表达的一致；而对于MARL，state表示联合状态，observation表示单智能体的状态。observation表示局部状态，即agent的状态。二者都是一个episode内的状态。state表示全局状态。
强化学习之迷宫Q-Learning实践笔记——入门篇
肖永威的专栏
01-12 5540
我们以走迷宫小游戏为例开始学习深度学习，迷宫样例原型来自“莫烦PYTHON”，系统的梳理强化学习和Q-learning基础知识，并结合代码实践跟踪行为轨迹和Q-Table。
强化学习笔记：不完全观测问题
qq_40206371的博客
05-30 1026
1 不完全观测问题 像war3，dota之类的游戏，当前屏幕上的画面并不能完全反映出实际游戏的状态，因为观测只是地图的一小部分，屏幕上当前的画面也不能完整地反映出游戏的状态【比如屏幕上没有敌方单位，其实都在屏幕外蹲你。。。】 如果仅仅用t时刻的观测来作决策，那么是会偏离实际的。但是我们又无法知道完整的。这就是不完全观测问题了。 对于不完全观测的强化学习问题，应当记忆过去的观测，用所有已知的信息做决策。比如过去一段时间的观测是。我们把时刻1到时...
强化学习（一）：基础知识
zhm2229的专栏
08-07 3139
强化学习是什么 我们先通过图一的三种方法的对比来看看强化学习和其他方法的差异是什么： 图一.各种学习算法 有监督学习（supervised learning）： 它的数据都是有标签y的。比如手写数字分类问题中，输入的是手写数字的图片，标签就是这个图片属于的类别，比如所有数字0的类别是0，这样手写数字集会有10个类别，0-9就是它的标签。 有监督学习的目标就是对于输入数据x，预测出它所属...
pytorch强化学习
08-26
PyTorch是一个流行的深度学习框架，它提供了丰富的工具和库来支持强化学习任务。在PyTorch中进行强化学习，首先需要定义一个环境，然后使用神经网络模型作为智能体来与环境进行交互，并根据交互结果更新模型的参数。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值