持续性任务中的新的问题设定

麦兜没有冬天

已于 2022-11-04 12:06:15 修改

阅读量81

点赞数

文章标签：深度学习

于 2022-11-03 21:49:58 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_45598669/article/details/127678522

版权

平均收益：智能体与环境之间的交互一直持续而没有对应的终止或开始状态

在平均收益的设定中，一个策略 $\pi$ 的质量被定义为在遵循该策略时的收益率的平均值，简称平均收益，即 $r(\pi )$

$r(\pi)=\lim_{h \to\infty }\frac{1}{h}\sum_{t=1}^{h}E[R_t|S_0,A_{0:t-1\sim\pi}]=\lim_{t \to\infty}E[R_t|S_0,A_{0:t-1\sim \pi}]=\sum_{s}\mu (s)\sum_{a}\nabla\pi (a|s)q_\pi(s,a)$

$\mu$ 是策略 $\pi$ 下稳定状态的分布

$\mu (s)=\lim_{t \to \infty}\Pr \{ \ {S_t=s|A_{0:t\sim \pi} \}$

因为一直根据策略 $\pi$ 选择动作，则这个分布会保持不变：

$\sum_{s}\mu (s)\sum_{a}\pi (a|s,{\theta}) p(s'|s,a)=\mu(s')$

回报是根据即时收益和平均收益的差来定义的,即差分回报

$G(t)=R_{t+1}-r(\pi )+R_{t+2}-r(\pi )+...$

差分价值函数，将所有的即时收益替换为即使收益和真实平均收益之差

$v_\pi=\sum_{a}\sum_{r,s'}p(s',r|s,a)[{\color{Blue} r-r(\pi})+v_\pi(s')]$

TD误差

$\delta_t=R_{t+1}-\overline{R_{t+1}}+\hat{v}(S_{t+1},\omega _t)-\hat{v}(S_t,\omega _t)$

$\overline{R}_t$ 是在t时刻对平均收益 $r(\pi )$ 的估计。

需要对于每个时刻上的平均收益来定义性能

$\nabla J(\theta )=r(\pi)=\sum_{s}\mu (s)\sum_{a}\nabla\pi (a|s)q_\pi(s,a)$

麦兜没有冬天

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
持续性任务中的新的问题设定

持续性任务，策略
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。