参考文献:[1]《强化学习》.邹伟,等.(鳄鱼书)
(还是和之前一样,是读书过程中实时整理的笔记,如果能够帮助别人最好不过,如果有理解不当处也万望看到的大神多多指教)
这段可以结合其他前辈的博文看:https
文章目录
学习:针对环境模型未知的情况,智能体通过与环境进行交互,从产生的真实数据中直接学习值函数或策略函数,属于无模型方法。
规划:智能体不与环境发生实际交互,而是想办法构建一个环境模型,利用其构建的模型来产生模拟数据,依此求解值函数或策略函数,属于基于模型方法。
规划过程和学习过程的机理一样,位移的不同是数据来源:一个真实经验数据,一个是模拟经验数据。
下图给出了Dyna的规划步骤。
监督式学习解决问题:1)选择一个损失函数表示预测值与真实值的不一致程度;2)采用响应的优化方法,使得经验损失最小,从而提高模型鲁棒性。
Dyna框架及相关算法
Dyna不是一个具体的算法,而是一个组合模型和无模型算法的框架。
在Dyna框架下,智能体有两种经验来源:实际经验和模拟经验。
实际经验来源于真实环境:
s ′ ∼ P s , s ′ a s'\thicksim P_{s,s'}^a s′∼Ps,s