文章目錄

• 前言
• • 無模型控制
  • • 問題
    • 思路
    • 方法
    • • On-Policy learning
      • • MC
        • Sarsa
      • Off-policy learning
      • • Q-learning
      • On-Policy learning 和 Off-policy learning的區(qū)別

前言

本文是學習周博雷老師的強化學習課程的心得體會。
雷大佬的GItHub

無模型控制

問題

? 當我們不知道 MDP 模型的情況下，如何優(yōu)化價值函數(shù)，得到最佳的策略。

思路

? 這里和有模型的控制策略的估計有一個不同是，我們這里使用MC方法來估算Q函數(shù)。其余的和無模型的控制是一樣的。

? 大概思路是：初始化一個Q和$\pi$，然后不停的迭代更新Q和$\pi$。注意這里與有模型的控制的區(qū)別是，我們直接迭代的Q而不是V，（這是因為沒有模型）。

方法

On-Policy learning

? On-Policy就是使用同一個police，在迭代中不斷的更新。

MC

? 步驟1：通過MC方法估計Q-table；

? MC方法的精髓是采樣，這里利用$??GreedyExploration$方法進行采樣，選取每一步的動作。

? 步驟2：根據(jù)估計出的Q-table改善$\pi$；

具體步驟如下：

具體算法如下：

Sarsa

? sarsa是將control loop中的MC換成TD。

Off-policy learning

? Off-policy learning有兩個policy，一個探索policy和一個目標policy，我們用探索policy進行采樣計算Q，然后用算出的Q來更新目標policy。

? 優(yōu)點：

可以利用別的方面的策略更新另一個方面的策略，比如將人的運動轉(zhuǎn)移到機器人身上。

可以重復利用產(chǎn)生過的policy，節(jié)省計算資源。

Q-learning

On-Policy learning 和 Off-policy learning的區(qū)別

On-Policy learning：

? 始終只有一個policy，只是在迭代中不停的更新。

? 學出的策略比較保守。

Off-policy learning：

? 這里有一個探索policy和一個目標policy，我們用探索policy進行采樣計算Q，然后用算出的Q來更新目標policy。

? 學出的策略比較激進。

sarsa和Q-learning的區(qū)別：

總結(jié)

以上是生活随笔為你收集整理的强化学习4——无模型控制model-free control （On-Policy learning：Sarsa和Off-policy learning：Q-learning）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。