马尔可夫决策过程(Markov Decision Process, MDP)
在MDP中有一些常用的随机策略
[1]. 贪婪策略
贪婪策略是一个确定性策略,即只有在使得动作值函数最大的动作处取概率1,选其他动作的概率为0
其中
π
∗
(
a
∣
s
)
=
{
1
,
if a =
arg
max
a
∈
A
q
∗
(
s
,
a
)
0
,
otherwise
\pi ^*(a|s) = \begin{cases} 1, & \text {if a = $\arg\max_{a\in A} q^*(s,a)$} \\ 0, & \text {otherwise} \end{cases}
π∗(a∣s)={1,0,if a = argmaxa∈Aq∗(s,a)otherwise
[2]. ϵ-greedy策略
ϵ-greedy策略是强化学习最基本最常用随机策略。其含义是选取使得动作值函数最大的动作的概率为
1
−
ϵ
+
ϵ
∣
A
(
s
)
∣
1-\epsilon+\frac{\epsilon}{|A(s)|} \quad
1−ϵ+∣A(s)∣ϵ
其他动作的概率为等概率,都为
ϵ
∣
A
(
s
)
∣
\frac{\epsilon}{|A(s)|} \quad
∣A(s)∣ϵ
ϵ-greedy平衡了利用(exploitation)和探索(exploration),其中选取动作值函数最大的部分为利用,其他非最优动作仍有概率为探索部分。
π
∗
(
a
∣
s
)
=
{
1
−
ϵ
+
ϵ
∣
A
(
s
)
∣
,
if a =
arg
max
a
Q
(
s
,
a
)
0
,
if
a
≠
arg
max
a
Q
(
s
,
a
)
\pi ^*(a|s) = \begin{cases} {1-\epsilon+\frac{\epsilon} {|A(s)|} \quad}, & \text {if a = $\arg\max_{a} Q(s,a)$} \\ 0, & \text {if $a \neq \arg\max_{a} Q(s,a)$} \end{cases}
π∗(a∣s)={1−ϵ+∣A(s)∣ϵ,0,if a = argmaxaQ(s,a)if a̸=argmaxaQ(s,a)
[3]. 高斯策略
一般高斯策略可以写成
π
θ
=
μ
θ
+
ϵ
,
ϵ
N
(
0
,
σ
2
)
\pi_\theta = \mu_\theta + \epsilon, \epsilon~N(0,\sigma^2)
πθ=μθ+ϵ,ϵ N(0,σ2)
其中μ为确定性部分,ϵ为零均值的高斯随机噪声。高斯策略也平衡了利用和探索,其中利用由确定性部分完成,探索由ϵ完成。高斯策略在连续系统的强化学习中应用广泛。
[4]. 玻尔兹曼分布。
对于动作空间是是离散的或者动作空间并不大的情况,可采用玻尔兹曼分布作为随机策略,即:
π
(
a
∣
s
,
θ
)
=
e
x
p
(
Q
(
s
,
a
,
θ
)
)
∑
b
e
x
p
(
h
(
s
,
b
,
θ
)
)
\pi(a|s,\theta) = \frac{exp(Q(s,a,\theta))}{\sum _bexp(h(s,b,\theta))}\quad
π(a∣s,θ)=∑bexp(h(s,b,θ))exp(Q(s,a,θ))
其中Q为动作值函数。该策略的含义是,动作值函数大的动作被选中的概 率大,动作值函数小的动作被选中的概率小。