强化学习系列（1）

最新推荐文章于 2021-12-18 08:29:02 发布

穿秋裤的兔子-

最新推荐文章于 2021-12-18 08:29:02 发布

阅读量377

点赞数 1

分类专栏：强化学习笔记文章标签：强化学习

本文链接：https://blog.csdn.net/kansas_lh/article/details/88038497

版权

强化学习笔记专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1.概览

强化学习是从1960年代开始研究，但成名甚晚。在2013年DeepMind发表的Playing Atari论文后，Google收购了DeepMind团队。从后来的AlphaGo后，深度学习和强化学习开始火遍全球。
强化学习（Reinforcement Learning）就是在环境试错（Trial and Error）中来学习最优策略（Optimal Policy）。最优策略就是拿到最多的累积奖励（Reward）。
强化学习（英语：Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。[From wiki]

2.强化学习与监督学习/非监督学习的关系

强化学习和监督学习、非监督学习一样都是机器学习的一个分支。
监督学习：根据标签找到对输入输出之间的一种关系映射，找到y = f(x)的这样一种函数去表征一种映射。
非监督学习：对于y = f(x)没有指定的y标签，去学习f(x)，是对x的一种聚类描述。
强化学习：根据x、y和reward机制来找到一种最优策略f(Optimal Policy)，就是一种做决定的过程。
强化学习RL和监督学习SL的区别：强化学习是通过Trial and Error来学习，需要有效的探索，强化学习并没有监督学习的标明输入/输出的标签，奖励也可能延迟。在强化学习中每一个Action环境都会给出反馈，包括下一步State和Reward，reward可以有一些延迟。监督学习中每一个input都会有评判给出标签，判断Input是否足够好，给出desired label。

3.MDP

马可夫决策过程 Markov Decision Process，强化学习任务通常通过马可夫决策过程MDP来描述，MDP可以表示为：M = < S, A, P( s’ | a, s), R, γ >
在这里插入图片描述
代理或者智能体做动作Action施加于环境，环境会返回给智能体状态和奖励。

MDP随时间推移，在t时刻代理做了Action At动作，环境会返回两个值，S(t + 1)下一时刻的状态与R(t + 1)下一时刻的奖励。

4.几个术语

Agent：智能体/代理，被抽象出来感知周围环境的单元，强化学习的主角。
Action（A）：动作/行动，Agent可以做出的动作，会影响环境。
Environment：环境，Agent所在的环境，会对Action做出反馈。
State（S）：状态，Agent感知到的环境/Agent所处的状态。
Transition（P）：过渡/转变。由于MDP是随机过程，不具有确定性。P（s '| a, s）表示在state状态下实施了动作action，到达下一个状态s’的概率。
γ：影响因子，折扣因子，在[ 0, 1 ]之间，随时间越久远对奖励贡献的衰减。
Reward（R）：到达一个State后得到的奖励，如1、-1、0，是一种标量。
Policy：策略，我们要学习到的目标，是对state做出相应的action。
Optimal Policy：最优策略，使奖励最大化的策略。

5.强化学习分类

（1）Model-Free RL

Model-Free
不基于模型的强化学习，直接在环境中学习，不需要对环境进行抽象。

（2）Model-Based RL

Model-Based
基于模型的强化学习，在真实的环境中总结学习出环境的特征，总结出环境的一套模型，在模型当中进行学习。

（1）Policy-Based RL

基于策略的强化学习，根据环境直接在策略空间里进行选择。

（2）Value-Based RL

基于价值的强化学习，学习价值函数，根据价值高低选择策略。

（3）Actor-Critic RL

演员-评论家，结合了基于策略(Actor)与基于价值(Critic)，略类似与GAN。演员根据策略做出动作，评论家给演员做的动作进行打分。比如A3C、DPG、DDPG。

（1）On-Policy

在线学习，自己亲自玩游戏，边玩边学习。比如Sarsa、Sarsa（λ）。

（2）Off-Policy

离线学习，自己玩/看别人玩，能从经验或者记忆中学习。比如Q-Learning、Deep Q NetWork。

6.Q Learning

Q是Quality的首字母，表示“质量/优劣”，表示在某些state下进行某些action会得到Q的价值。
Learning为学习的意思，Q Learning为基于质量/优劣去评判来做出选择的一种学习方法。Q Learning是基于价值（Value-Based）的学习，同时也是离线（Off-Policy）的学习，可以基于过去的经验/记忆进行学习。
Q Learning的过程：首先初始化Q表中的Q值，再从Q表中选择对应的Action，对Agent实施这个Action，接着衡量得到的Reward奖励，继而更新Q表，接着循环再从Q表中选择Action，循环往复的过程。
**基于表格的Q Learning的局限性：**对于状态（State）非常多的场面是非常吃力的，计算能力不足。但是由于神经网络会记住许许多多的参数，神经网络会解决掉Q Learning表格的局限性。