2. 强化学习方法汇总

最新推荐文章于 2024-02-23 09:33:31 发布
最新推荐文章于 2024-02-23 09:33:31 发布
阅读量330 收藏 2
点赞数 1
分类专栏： # 深度强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_28404829/article/details/103099994
版权

强化学习方法汇总

通过理解环境分类

Model-Based 方法，机器人通过过往的经验，理解真实世界的情况并建立一个模型来模拟现实世界。
在这里插入图片描述
在这里插入图片描述
Model-based 的方法具有想象力，可以通过想象来预判下一步的情况，根据想象中的情况选择最好的一种，根据这种情况来做下一步的策略。
在这里插入图片描述

通过基于概率和价值分类

基于价值的选择策略更加铁定，只会选择价值最高的。
基于概率的选择策略能够选择概念比较小的情况。
在这里插入图片描述
对于连续的动作，只能选择给予概率的方法。
在这里插入图片描述
在这里插入图片描述

根据更新回合分类

在这里插入图片描述
在这里插入图片描述

根据在线和离线分类

离线学习可以通过过往的经历进行学习，但这个经历可以是别人的经历。
可以白天存储玩耍的经历，晚上进行学习。
在这里插入图片描述
在这里插入图片描述
原视频：
https://www.bilibili.com/video/av16921335?p=2

无知书童
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
强化学习方法归纳
叶强的博客
09-14 5309
强化学习算法的分类
【强化学习】强化学习基础教程：基本概念、强化学习的定义，要素，方法分类 以及 Rollout、episode回合、transition转移、trajectory轨迹的概念
最新发布
几度热忱的博客
05-27 2356
【强化学习】强化学习基础教程：基本概念、强化学习的定义，要素，方法分类 以及 Rollout、episode回合、transition转移、trajectory轨迹的概念 1.基础概念 1.1 强化学习的定义 1.2 强化学习的基本要素 2.强化学习分类 2.1 根据agent学习方式分为基于策略的强化学习Policy based RL ，基于价值的强化学习Value based RL以及Actor-Critic方法 2.2 根据理不理解所处的环境（agent有无学习环境的模型）分为model-based与
浅谈强化学习的方法及学习路线
weixin_34288121的博客
03-18 1398
介绍 目前，对于全球科学家而言，“如何去学习一种新技能”成为了一个最基本的研究问题。为什么要解决这个问题的初衷是显而易见的，如果我们理解了这个问题，那么我们可以使人类做一些我们以前可能没有想到的事。或者，我们可以训练去做更多的“人类”工作，常遭一个真正的人工智能时代。 虽然，对于上述问题，我们目前还没有一个完整的答案去解释，但是有一些事情是可以理解的。先不考虑技能的学习，我们首先需要与...
强化学习方法汇总
CCH陈常鸿Blog
11-15 2575
本文转自莫烦大佬 了解强化学习中常用到的几种方法,以及他们的区别, 对我们根据特定问题选择方法时很有帮助. 强化学习是一个大家族, 发展历史也不短, 具有很多种不同方法. 比如说比较知名的控制方法 Q learning, Policy Gradients, 还有基于对环境的理解的 model-based RL 等等. 接下来我们通过分类的方式来了解他们的区别. Model-free
强化学习方法汇总【学习笔记1】
Alan_Lowe
10-12 219
强化学习方法汇总【学习笔记1】 学习方法汇总 （1）不理解环境（Model-Free RL） 从环境中得到反馈以学习，只能等待现实世界的反馈之后才能做出相应的动作。 Q learning Sarsa（×） Policy Gradients …… （2）理解环境（Model-Based RL） 与Model-Free相比多了“为事物建模”这道工序，并且能够想象现实世界可能出现的结果。 （3）基于概率（Policy-Based RL） 根据环境直接搜索出接下来动作的概率，然后根据概率采取行动。 （4）基于价
强化学习方法汇总 (Reinforcement Learning)
08-30
强化学习方法汇总_(Reinforcement_Learning)
顶会论文 65篇IJCAI深度强化学习论文汇总.pdf
03-19
汇总了65篇IJCAI上“深度强化学习”的专题论文，深度强化学习，这不就是生命的进化规律嘛！欢迎感兴趣的朋友下载学习。
强化学习算法汇总.rar
12-31
在这个“强化学习算法汇总.rar”压缩包中，包含了多种经典的强化学习算法实现，适合对算法进行深入理解和实践。以下是这些算法的详细说明： 1. **DQN（Deep Q-Network）**：DQN是深度学习与Q-Learning的结合，解决...
人工智能-项目实践-强化学习-Code for paper 基于多智能体深度强化学习的车联网通信资源分配优化.zip
12-14
This is the source code for our paper: 基于多智能体深度强化学习的车联网通信资源分配优化. A brief introduction of this work is as follows: 无线网络的高速发展为车联网提供了更好的支持，但是如何为高速...
深度学习开源数据集分类汇总.pdf
04-27
4. 强化学习：Atari游戏数据集和OpenAI Gym环境是强化学习的重要资源，它们允许算法通过与虚拟环境交互来学习策略。这些数据集帮助开发智能体在复杂环境中进行学习和决策。 5. 推荐系统：例如，MovieLens数据集和...
机器学习---强化学习方法
weixin_43961909的博客
02-23 1315
1. 强化学习方法。
【莫烦强化学习】视频笔记（一）2. 强化学习方法汇总
cherreggy的博客
07-04 467
【莫烦强化学习系列视频】笔记本 第2节 强化学习方法汇总 本节的目的更多是对强化学习的方法及特征有初步的了解。我们可以通过将强化学习方法分类，来逐一理解。 首先是通过是否需要理解环境（环境给我们什么就是什么），能够分为无模型的强化学习方法和基于模型的强化学习方法。 假设这里有一个机器人和一个星球X。 无模型的强化学习方法（Model-Free）： 不需要理解环境，机器人对星球X一无所知，机器人扔了一颗原子弹，但是由于环境未知，把自己也炸死了。 基于模型的强化学习方法（Model-Based） ： 机器人通
强化学习方法-分类
YOYO_33的博客
05-06 732
1. 是否理解环境 1.1 不理解环境（Model-Free RL） 不理解环境，也不理解环境给的反馈 1.2 理解环境（Model-Based RL） 通过过往经验，理解环境，理解环境的反馈，构建虚拟世界（想象力，预判断反馈，执行下一步） 2. 基于XX 2.1 基于概率（Policy-Based RL） 基于感知，生成事件概率，根据概率采取行动。（任何行动都有可能） 可以适用于连续的 ex：policy gradients 2.2 基于价值 (Value-based RL) 基于感
强化学习方法分类
R18830287035的博客
04-18 976
一、理解环境or感知环境 Model-based：先理解真实世界是怎样的，并建立一个模型来模拟现实世界的反馈，通过想象来预判新下来将要发生的所有情况，然后选择这些想象情况中最好的那种，并依据这种情况来采取下一步的策略。 Model-free：不依赖环境，不尝试去理解环境，Agent会根据现实环境的反馈采取下一步的动作，一步一步等待真实世界的反馈，再根据反馈采取下一步行动。 ■例如Q-learnin...
强化学习基本方法(一)
AliceArtwork
06-03 6289
1.基本概念1.1.强化学习是什么在机器学习领域一般将机器学习划分为三大类型：有监督学习，无监督学习和强化学习。有监督学习和无监督学习都主要是为了解决分类问题，而强化学习比较特殊，强化学习的目的是为了研究策略，比如让机器人自主的学会如何把花养好，如何在一个未知环境进行探索等。 强化学习的核心问题在于通过研究各种不同策略的价值并给予评价，来自主选择最优策略。策略，即是决策层对于不同的状态所作出的不同
强化学习方法（一）：探索-利用困境exploration exploitation，Multi-armed bandit
热门推荐
Bin 的专栏
03-04 2万+
欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。 技术交流QQ群：433250724，欢迎对算法、技术感兴趣的同学加入。 18年新开一个强化学习方法系列，督促自己能够再不断扩充知识并分享给更多的同学。其实前面写的机器学习方法系列和深度学习方法系列，也都还没有写够，平时工作比较忙，更新很慢，但是我还是会努力更新的。今天开始记录一些强化学习的知识，这些内容以...
强化学习的几种主要的方法
ahah12345678的博客
10-14 611
策略梯度方法通过直接在策略空间中进行优化来更新策略。Actor-Critic方法则是结合了基于值的方法和基于策略的方法，它通过一个值函数来评估策略的表现，并使用一个策略梯度更新算法来改进策略。α-β剪枝是一种在树中搜索最优策略的算法，它通过剪枝来减少搜索的复杂度MCTS主要用于解决大规模、复杂的博弈问题，如围棋、象棋等。基于值的方法通过估计每个状态-动作对的价值来选择动作，基于策略的方法通过优化策略本身来选择动作，而基于搜索的方法则通过搜索所有可能的动作序列来找到最优策略。
深度强化学习算法汇总
08-18
DDPG（Deep Deterministic Policy Gradient）是一种结合了深度学习和强化学习的方法，它可以处理高维输入和连续动作空间的情况。DQN（Deep Q-Network）是一种基于深度神经网络的Q-learning算法，它可以用于解决离散...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值