第五章 蒙特卡洛方法(MC)
(一)MC策略评估
1.MC prediction: 估计状态值
First-visit MC prediction算法,用来估计每个状态值。也有every-visit,不过没有first-visit用的多
-和DP相比:MC方法对每个状态值的估计是独立的,没有用到自己以前的状态,称为没有用到bootstraping
2.MC estimation of action values: 估计动作值
在模型不可知的情况下,估计状态动作值q(s,a)比估计状态值v(s)更有用。这是因为模型已知时,状态值v(s)本身就足以决定策略:只需要看在此状态s下哪个动作会导致最大reward和状态值最高的状态s’,就选那个动作(greedy)(DP就是这样);而模型未知时,只知道v(s)就不足以决定策略了。所以考虑用策略评估估计动作值。
仍然用first-visit prediciton进行评估,一次visit指状态s被访问并且执行了动作a。
问题:策略固定之后,不会被访问的(s,a)pair就永远不会执行,缺乏其他动作探索。
改进:带探索启动的动作值评估Exploring Starts(ES)。specify that每个episode都由一个state-action pair启动,每个pair都有一定概率作为start。这样就能保证所有的pair都被采样到。(后续问题都以ES为条件)
ES的问题:在直接从真实的和环