引言
本节通过对动态规划方法、蒙特卡洛方法、时序差分方法进行归纳,介绍规划与学习两种思想。
环境与模型
在动态规划求解强化学习任务 中介绍过,动态规划方法使用的核心思想是自举(Boostrapping)方法:
V k + 1 ( S t ) = ∑ a ∈ A ( s ) π ( a ∣ s ) ∑ s ’ , r P ( s ’ , r ∣ s , a ) ( r + γ V k ( s ’ ) ) V_{k+1}(S_t) = \sum_{a \in \mathcal A(s)} \pi(a \mid s) \sum_{s’,r}P(s’,r \mid s,a)(r + \gamma V_{k}(s’)) Vk+1(St)=a∈A(s)∑π(a∣s)s’,r∑P(s’,r∣s,a)(r+γVk(s’))
并且介绍了想要使用动态规划方法求解强化学习任务,就必须要已知 完备的迁移动态,即 任意有意义的状态-动作对的动态特性函数 P ( s ’ , r ∣ s , a ) P(s’,r \mid s,a) P(s’,r∣s,a) 均是已知的。我们称这种方法为有模型方法(Model-based Method)。
注:该模型指的是‘环境模型’,是基于环境自身的性质,通过动态特性函数表示出来。
有模型方法主要依赖的思想是规划(Planning);
针对像蒙特卡洛方法、时序差分方法这种 对动态特性函数未知或未完全可知 的情况,而通过真实样本进行采样得到的真实经验(Experience)对策略进行估计的方法,我们称为无模型方法(Model-free Method)。
无模型方法主要依赖的思想是学习(Learning);
规划思想与学习思想
规划与学习的相同点
基于已经介绍过的动态规划方法、蒙特卡洛方法、时序差分方法,它们三个之间的共同点:
- 对策略更新的过程中,它们都使用了价值函数这个概念作为媒介,对策略进行更新:
之所以将‘价值函数’称为‘媒介’——是因为这三种方法并没有直接对策略
π \pi π进行求解,而是通过‘价值函数’和‘策略’相互迭代的方式进行求解。相反,直接对策略
π \pi π进行求解参考‘策略梯度方法’。
- 回溯思想:其核心思想是没有办法在当前时刻 t t t更新价值函数,只能通过未来时刻更新当前时刻 t t t的价值函数。我们观察几种方法的策略评估过程:
- 动态规划-策略评估(其中 R t + 1 + γ V π