ReinforcementLearning and Control
在监督学习中,数据带有标签,标签实际上就是对相应输入的“绝对正确答案”,而在很多问题中,难以找到这样的正确答案,决策过程分为很多步,这时可以提供一个奖励函数作为反馈,当算法决策的好时进行奖励,否则惩罚,此文先介绍马尔可夫决策过程Markov decision processes (MDP)。
马尔可夫决策过程是一个五元组:(S,A,Psa,γ,R)
S是状态集,A是动作
Psa是转移概率, s∈ S, a∈ A,代表当前状态为s时做出a动作后,将怎样转移
γ为贴现因子
R : S × A→ R是一个奖励函数。有时是S → R的
MDP的动态决策是这样的:从一个状态s0考试,选择某个动作 a0 ∈ A然后根据Psa转移到新状态,重复以上过程直到到达给定状态或其他终止条件。