【David Silver强化学习公开课】-8：Integrating Learning and Planning

一、Model-based RL

Model-Free RL，从经验中学习价值函数（以及/或者策略）。

Model-based RL，从经验中直接学习环境的MDP模型。（状态转移概率P以及奖励矩阵R）从模型出发，规划价值函数（和/或策略）。能够更加有效的学习，减少模型的不确定性，但是缺点是会带来两个（学习模型，进行规划）过程的误差。

这里有一个重要的假设，就是R和P是互相独立的，也就是某一时刻的状态和行为 (s,a) (s,a)获得的下一时刻收益 r∼R r∼R和下一时刻状态 s∼P s∼P无关。

• 那么第一步，经验中学习模型就是两个监督学习问题：

回归问题：  s,a→r s,a→r

分类问题：  s,a→s′ s,a→s′

至于用什么来表示模型的P和R，高斯过程模型、线性高斯模型、神经网络模型都是可以的。

• 第二步，就是利用学习到的模型进行规划。

我们有价值迭代，策略迭代，树搜索等方法。此外，还可以直接对已知模型进行抽样，对抽样出的experience利用前几节的model-free方法如Q-learning、Sarsa、Monte-Carlo-Control等进行规划。

二、Integrated Arch

Dyna：从真实experience和simulated experience中学习和规划价值函数（策略）。其中后者是我们学习到的MDP（不精确的模型）产生的sample。

从算法过程上来看，就是在每一步，用真实环境的Sample数据学习一次Q，并学习一次Model，然后用Model产生的sample学习n次Q。

三、Simulation-based Search

关注当前状态，利用Forward Search算法，建立一个以当前状态 st st为root的搜索树。

基于模拟的搜索：从当前状态开始，利用我们的模型计算出k个episode；然后利用model-free的方法进行学习和规划。

模拟过程中采用的策略：如果当前需要的状态和动作已经包含在构造的树中，那么最大化Q；否则随机选择Action（exploration）。

Dyna-2，利用real experience学习long-term memory，利用simulated experience 学习 short-term memory。

原文地址：http://cairohy.github.io/2017/09/11/deeplearning/%E3%80%8ADavid%20Silver%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%85%AC%E5%BC%80%E8%AF%BE%E3%80%8B-8%EF%BC%9AIntegrating%20Learning%20and%20Planning/