强化学习介绍

法号：行颠

已于 2023-07-03 14:46:58 修改

阅读量203

点赞数

分类专栏：机器学习文章标签：机器学习

于 2023-06-30 11:13:27 首次发布

本文链接：https://blog.csdn.net/m0_37749564/article/details/131472603

版权

机器学习专栏收录该内容

8 篇文章 0 订阅

订阅专栏

强化学习介绍

介绍
重要概念
RL 过程简介
马尔可夫性质
基于回报假设的中心思想
任务模型
两种解决思路
探索与开发的平衡
三种方法
Q-Learning & Deep Q-Learning
参考文档

介绍

强化学习 Reinforcement Learning 简称 RL，是一种机器学习方法，旨在训练智能体（或机器人）从环境中获得经验，通过试错的方式逐渐提高其决策能力，以实现特定的目标。强化学习涉及到智能体与环境之间不断的互动和反馈，智能体根据环境的反馈调整其行为策略，逐渐学习到最优的决策方案。强化学习在众多领域中都有广泛的应用，如自动驾驶、游戏策略、金融交易、机器人控制等。

强化学习背后的思想是：
一个agetn（智能体/机器人）从“与环境交互并从行动中获取奖励”中学习——这类似于人的成长过程。

Tips:
强化学习解决特定类型的问题，其中决策是连续的，并且目标是长期的，例如游戏、机器人、资源管理或物流。

重要概念

agent: 可以通过反复试验学习并做出决策的实体，它从周围环境中获得奖励和惩罚。
environment: 虚拟的世界，用于 agent 通过与其交互来学习。
state: 对 environment 的完整描述。
action: agent 执行的操作
reward: 分为激励和惩罚，是 RL 的基本因素，用于告诉 agent 它的 action 产生的结果是好还是坏。

RL 过程简介

框架
强化学习框架

过程
强化学习过程：状态、行动、奖励和下一个状态的循环：

agent 从 environment 中获取第一个 state S0；
基于 S0，agent 采取第一个 action A0；
environment 给出一个新的 state S1；
environment 给出 reward R1；

循环以上 state、action 和 reward 步骤。
agent 的目的是最大化累积奖励。

马尔可夫性质

RL 过程称为马尔可夫决策过程 (MDP)。
MDP 意味着 agent 只需要根据当前的状态来决定采取什么行动，而不是之前采取的所有状态和行动的历史。

基于回报假设的中心思想

RL 的目的是获取累积的奖励，期望获取最大累积收益。

基本公式
$G_t = R_{t+1} + R_{t+2} + ...$
等价于：
$G_t =\sum_{k=0}^T R_{t+k+1}$
Jerry & Tom 的故事

这里 agent 是 Jerry。
Jerry 想要获得最大的累积奖励就是要吃掉所有的奶酪，但是越靠近 Tom 的地方危险就越大——即使那边有更多的奶酪，我们可能也不愿意先去冒这个风险，因为一旦被 Tom 抓住就无法再获取更多的奶酪，从而无法达成 Jerry 的目标。
所以再这里我们引入奖励系数 $\gamma$ ：

危险越大，回报系数 $\gamma$ 越小，Jerry 更关心短期奖励；
危险越小，回报系数 $\gamma$ 越大，Jerry 更关心长期奖励；

改良后的公式
$G_t =\sum_{k=0}^\infty \gamma^k R_{t+k+1} where \gamma \in [0, 1)$
$R_{t+1} + \gamma R_{t+2} + \gamma ^2 R_{t+3} + ...$
本公式是在基本公式的基础上增加了奖励的权重：在每一步中都会按照权重的时间指数形式对奖励重新计算。
随着时间的增加，Jerry 离 Tom 越近未来奖励发生的可能性越小。

任务模型

场景任务模型
这个模型中存在明确的开始点和结束点，例如游戏：进入游戏是开始点，游戏结束(被打死，或者玩到通关)是结束点。
连续任务模型
在这个模型中一旦开始就会一直持续下去——除非主动退出，例如投资股票，需要不断的关注时长的变化。

两种解决思路

针对任务模型，这里提出了两种解决思路：

蒙特卡洛方法
时间差学习方法

蒙特卡洛方法（Monte Carlo）
在场景的结束时获取所有的奖励，并计算总体奖励

1.1 步骤

游戏开始作为场景的起点；
游戏结束作为场景的终点；
在终点我们会得到一个 stats、actions、rewords和新states 的列表；
根据公式计算总奖励；
根据上面的公式更新 $V (s t)$ ；
开始新一轮的游戏；

随着运行次数增多，我们的 Jerry 会吃得越来越多。

时间差学习方法（TD Temporal Difference Learning）

TD 的方法与蒙特卡洛方法相反，它不会等待场景的结束在去计算，而是在每一步中评估未来预期最大奖励：它为当前经历的状态 S 评估价值 V；
TD的核心思想是评估：通过将其更新为一步目标来更新先前的估计 $V(S_t)$ ；

两者之间的区别

TD 不会等待场景的结束，而是在(t+1)时刻后都会使用得到的奖励值 $R_{t+1}$ 来评估当前状态下的价值 $V(S_{t+1})$ ；
蒙特卡洛方法则需要经历多个周期才能得到理想的效果。

探索与开发的平衡

探索：探索是指获取环境中更多的信息；
开发：是从已知的信息中获取最大的收益；

Jerry‘s 迷宫
我们时可要记住 Jerry 的目标是最大化预期的累积收益。
在上面这个例子中，如果只有开发，则如果 Jerry 周边有无穷的小奶酪的话，Jerry 仅会关注周围的小奶酪，而不会获取到远处的大奶酪；假如在这里加入一些探索，Jerry 就能获得更大的奖励。
所以我们需要指定一个规则，用于对探索和开发的平衡。