《强化学习与最优控制》学习笔记（四)： Model-Based 与 Model-Free Implementation以及Off-line 与 On-line Method概述

向南而行灬

已于 2022-04-08 16:48:43 修改

阅读量876

点赞数

分类专栏：《强化学习与最优控制》学习笔记文章标签：学习

于 2022-03-14 16:14:16 首次发布

本文链接：https://blog.csdn.net/qq_42286607/article/details/123473793

版权

《强化学习与最优控制》学习笔记专栏收录该内容

5 篇文章 15 订阅

订阅专栏

写在前面的

前一章链接：

《强化学习与最优控制》学习笔记（三）：强化学习中值空间近似和策略空间近似概述

这章主要是介绍一些概念，即 Model-Based 与 Model-Free Implementation以及Off-line 与 On-line Method，方便后面内容的学习。

Model-Based 与 Model-Free Implementation

我们在前面的学习就已经知道，一个有限阶段（finite horizon）的DP问题的数学模型如下：

在model-based中，求解DP问题通常要假设 $f_k$ ， $g_k$ 甚至 $w_k$ 的分布我们能够得到，也就说给定任意的( $x_k,u_k,w_k$ )，我们就能得到 $p_k(w_k|x_k,u_k)$ 。对于 $J_{k}^{*}$ 中的期望部分,主要是通过代数的方法来计算，也就是既然我们都知道 $p_k(w_k|x_k,u_k)$ 了，就把每一个 $g_k$ 乘上 $p_k$ 然后总体加起来就是期望，很清楚地就能感觉到，其实在很多情况下，我们都不一定能够都得到这些信息，所以说现在在学术界基于model-based的方法还是比较少，但是假如我们能得到这些信息的话，其实对于系统的帮助是很大的，所以model-based的方法还是有相当大的研究意义的。

而在model-free中，期望的部分就改用蒙特卡罗模拟（Monte Carlo simulation），其实这个也很好理解。举个最简单的抛硬币的例子，假设硬币是两面且材质均匀（不均匀的话正反面概率会不一样，得到的期望也会不一样），抛到正面为1，反面为0。那么很容易就能知道，当抛的次数达到很多很多次时，其平均值就会非常接近实际期望0.5。得益于现在计算机的发展，我们可以在求解问题的时候用仿真器（或使用大量数据）来做大量的实验，从而逼近期望值。

注意到在确定性问题（deterministic problems）中是没有期望，所以说只能用model-based的办法来求解。

Off-line 与 On-line Method

在值空间近似中，我们需要计算 $\tilde{J}_{k+1}$ 和对应的策略 $\tilde{\mu}_k$ ：

那么就有两种方法可以考虑使用来计算，这两种方法分别是Off-line methods（在控制过程开始之前）与 On-line methods（在控制过程开始之后）：

Off-line methods：在控制过程开始之前，完成需要求解策略 $\tilde{\mu}_k$ 的大部分计算，这种方法就是Off-line methods。比如算好 $\tilde{J}_{k+1}$ （算这个通常比较花时间）然后存储起来，当控制过程开始之后，就能够很快地算出相应的策略。

On-line methods：这类方法就是说在观测到当前状态 $x_k$ 之后，再计算与之相关的 $\tilde{J}_{k+1}$ ，然后再得到策略 $\tilde{\mu}_k$ ，执行后观测下一个状态 $x_{k+1}$ ，如此循环。

写在后面的

下一章链接：

《强化学习与最优控制》学习笔记（五)：值空间近似的一般问题与方法

向南而行灬

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
0
评论
《强化学习与最优控制》学习笔记（四)： Model-Based 与 Model-Free Implementation以及Off-line 与 On-line Method概述

这章主要是介绍一些概念，即 Model-Based 与 Model-Free Implementation以及Off-line 与 On-line Method，方便后面内容的学习。
复制链接

扫一扫