概览
强化学习相关如下图所示:
强化学习属于机器学习的分支:
特点
- 强化学习没有监督数据,只有奖励信号;
- 强化学习中的奖励信号不一定是实时的,很可能是延后的;
- 强化学习中时间(序列)是一个很重要的因素;
- 个体在某一时刻的行为会导致环境的响应并影响到个体的将来。
分类
考虑价值或策略:
(1)仅基于价值函数:这样的个体有对状态价值的估计函数,但是没有直接的策略函数,策略函数由价值函数间接得到。
(2)仅直接基于策略:在这样的个体中,行为直接由策略函数产生,个体并不维护一个对各状态价值的估计函数。
(3)演员-评判家(Actor-Critic)类型:这样的个体既有价值函数也有策略函数,两者相互结合解决问题。
考虑模型:
(1)不基于模型的个体:这类个体并不试图了解环境如何工作,而仅聚焦于价值和策略函数,或者二者之一。
(2)基于模型的个体:个体尝试建立一个描述环境运作过程的模型,以此来指导价值或策略函数的更新。
分类情况如下图所示:
个体与环境的关系
环境分类
- 完全可观测
- 部分可观测
策略分类
策略是从个体状态到行为的一个映射(Mapping)。
如果一种策略在一个确定的状态下能够产生一个确定的行为,那么这种策略就可以称为确定性策略(Deterministic Policy)。相反,如果某一种策略在确定状态下不能产生一个确定的行为,而是提供各种可能行为的概率,那么这种策略就可以称为随机性策略(Stochastic Policy)。
参考资料
[1] David Silver 强化学习课程.
[2] 叶强,闫维新,黎斌.强化学习入门:从原理到实践[M].北京.机械工业出版社, 2020.