强化学习基础---马尔可夫决策
强化学习算法利⽤产⽣的数据修改⾃⾝的动作策略,再与环境交互,产⽣新的数据,并利⽤新的数据进⼀步改善⾃⾝的⾏为,经过数次迭代学习后,智能体能最终学到完成相应任务的最优动作(最优策略)。强化学习的学习过程是动态的、不断交互的过程,所需要的数据也是通过与环境不断交互所产⽣的。
马尔可夫性:
所谓⻢尔科夫性是指系统的下⼀个状态st+1仅与当前状态st 有关,⽽与以前的状态⽆关。
定义:状态st 是⻢尔科夫的,当且仅当P[st+1 |st ]=P[st+1 |s1 ,…,st ]。 定义中可以看到,当前状态st 其实是蕴含了所有相关的历史信息s1 , …,st ,⼀旦当前状态已知,历史信息将会被抛弃。(P[st+1|st]是指的在状态st情况下转移到状态st+1的概率)
马尔可夫过程:
⻢尔科夫过程是⼀个⼆元组(S,P),且满 ⾜:S是有限状态集合,P是状态转移概率。状态转移概率矩阵为:
例如: