强化学习(David Silver)4：免模型学习

Posted 2020-10-02 _1024

0、为什么免模型学习？

PS：课程中迭代的值是值函数；周志华老师的西瓜书中迭代的是状态值函数；课程中迭代的是状态-动作值函数

1、蒙特卡洛方法：直接通过采样求和（v(s) = S(s)/n(s)，其中S(s) = S(s) + G(t)，G(t)=r(t+1)+r(t+2)+...）

1.1、蒙特卡洛增量计算方法(v(s) = v(s) + a*(G(t)))

2、TD算法 (v(s) =)

3、MC和TD的比较

1)TD在线实时学习；MC只能批量学习

2)TD不要完整的序列，不需要知道完整的结果；MC相反

3)TD计算工程中，用部分数据估计V，是有偏的；return(MC)公式是无偏的；return(MC)随机性强，方差大；TD随机性弱，方差小

4)MC对初始值不敏感；对于函数近似也会收敛；TD对初始值敏感，对函数近似未必收敛

5)TD效率高，收敛快；MC收敛性好

6)MC向着最小二乘收敛；TD向MDP收敛

7)TD探索马尔科夫性，在马尔科夫环境更有效；MC不探索马尔科夫性，在非马尔科夫环境更有效

4、DP/MC/TD的比较

1)自举：MC不自举；DP/TD自举（自举：不以真实的最终反馈为目标，而是以间接的中间结果为目标）

2)采样：MC/TD采样；DP不采样

5、统一讨论三种方法

从是否自举和backup数考虑：

1)只使用sample backup值，自举，是TD

2)只使用sample backup值，不自举，是MC

3)使用full backup值，自举，是DP

4)使用full backup值，不自举，是穷举搜索

6、TD(n)是TD和MC的融合：TD(0)是n=1，向前看一步；TD(无穷)是看到结束

7、TD(lambda)是TD(0)/TD(1)/TD(2)的加权组合；这样TD算法会更加鲁棒

8、TD(lambda)的后向算法和资格迹