一、前言
在强化学习系列(五):蒙特卡罗方法(Monte Carlo)和强化学习系列(六):时间差分算法(Temporal-Difference Learning)中,我们介绍了两种用于求解环境模型未知的MDP方法:MC和TD,MC是一种每episode更新一次的方法,TD是单步更新的方法,n-step Bootstrapping (步步为营)是一种介于TD和MC之间的方法,n-step更新一次。
本章我们仍然按照GPI思想,分prediction 和control 问题介绍n-step Bootstrapping (步步为营)方法。
二、n-step TD prediction
n-step TD prediction方法是一种介于蒙特卡罗方法(Monte Carlo)和时间差分算法(Temporal-Difference Learning)之间的方法,与MC和TD的Backup图如下:
最左侧的为我们在第六章中介绍的TD(0)算法,最右侧为我们在第五章中介绍的MC算法,当在一个采样数据中选择以n步数据来更新value function 时,采用的方法为 n-step TD prediction。
此处以更新 St S t 的state-value的估计值来说明n-step TD prediction,假设采样数据为 St,Rt+1,St+1,Rt+2,...,RT,ST S t , R t + 1 , S t + 1 , R t + 2 , . . . , R T , S T
MC:
TD:(one-step return)
其中 γVt(St+1) γ V t ( S t + 1 ) 代替了 γRt+2+γ2Rt&