如今的強(qiáng)化學(xué)習(xí)研究大體分為了兩個研究學(xué)派：一個是以Sutton，Sliver等人為代表的value-based學(xué)派，他們主要從值函數(shù)近似角度入手去研究強(qiáng)化學(xué)習(xí)，這也是強(qiáng)化學(xué)習(xí)早期最初發(fā)展起來時沿用的路線；第二個是以伯克利Sergey Levine為代表的policy-based學(xué)派，主要從策略近似角度出發(fā)研究強(qiáng)化學(xué)習(xí)。

今天我介紹的動態(tài)規(guī)劃算法思想在value-based乃至整個強(qiáng)化學(xué)習(xí)領(lǐng)域都起到了至關(guān)重要的作用，有非常多的算法都從其中衍生而來。話不多說，請坐穩(wěn)扶好，老司機(jī)要發(fā)車了，嘟嘟~

動態(tài)規(guī)劃是一種優(yōu)化算法，起源于最優(yōu)控制領(lǐng)域，可以用來解決多階段序列決策問題，或者離散時間動態(tài)自適應(yīng)控制問題。一個問題可以用動態(tài)規(guī)劃求解，需要滿足一下幾條基本性質(zhì)：

• 子問題最優(yōu)性/最優(yōu)子結(jié)構(gòu)

原問題可以被分解為子問題，原問題的最優(yōu)性可以通過子問題的最優(yōu)性推導(dǎo)出

• 子問題重疊性/重疊子問題

一個問題滿足子問題重疊性，意味著當(dāng)我們?nèi)デ蠼庖粋€較大問題的最優(yōu)解時，會多次調(diào)用子問題的最優(yōu)解，即子問題的解會被多次遞歸調(diào)用。實(shí)際編程中我們會把子問題的解存儲起來，后續(xù)會多次訪問。例如OI中的記憶化搜索等等。

—————————————————————————————————————

馬爾可夫決策過程滿足上述兩條基本性質(zhì)：

• 貝爾曼期望方程給出了遞歸分解式，將原問題的求解分解為子問題的求解
• 價值函數(shù)可以被存儲和多次調(diào)用

MDPs產(chǎn)生的序列是有先后順序的，對于這種序列決策問題，前驅(qū)狀態(tài)可以看做子問題，后繼狀態(tài)可以看做原問題，通過backup即可利用

可達(dá)狀態(tài)的價值函數(shù)推導(dǎo)出 的價值函數(shù)。

動態(tài)規(guī)劃方法用于解決model-based reinforcement learning問題，假設(shè)可知環(huán)境的所有動態(tài)信息，例如狀態(tài)之間的轉(zhuǎn)移規(guī)律等等。這個要求實(shí)際是非常苛刻的，因此后續(xù)會有很多的變體，不要求已知一個環(huán)境的模型。

接下來先介紹一下prediction和control的區(qū)別：

prediction：

prediction過程主要在做policy evaluation，即輸入

和policy ，輸出是follow policy 得到的狀態(tài)價值函數(shù)

control

control主要在solve一個optimal policy and optimal value function。輸入是MDP

，輸出：

• optimal policy
• optimal value function

接下來我們介紹利用動態(tài)規(guī)劃解決Policy Evaluation的方法：

目標(biāo)：評估一個Policy的好壞；

解決方法：不斷迭代貝爾曼期望方程；

——————————————————————————————稍后繼續(xù)更新

策略改進(jìn)：

策略評估：

''' 動態(tài)規(guī)劃之策略迭代實(shí)現(xiàn) 算法：Policy Iteration 策略評估 + 策略改進(jìn)：Bellman Expectation Equation + Greedy Policy Improvement ''' import gym import matplotlib.pyplot as plt import numpy as np %matplotlib inlineenv = gym.make('CliffWalking-v0') # 導(dǎo)入gym環(huán)境-懸崖尋路def play_once(env,q_table):total_reward = 0state = env.reset()action = np.argmax(q_table[state,:]) # greedy policy improvement 公式（1）while True:next_state, reward, done, _ = env.step(action)next_action = np.argmax(q_table[next_state,:])# 貝爾曼期望方程策略改進(jìn)，公式（2）q_table[state,action] = reward + 0.9*q_table[next_state,next_action] total_reward += rewardif done:breakstate = next_stateaction = next_actionreturn total_rewardq_table = np.zeros((env.nS,env.nA)) ans = [] for i in range(30):total_reward = play_once(env,q_table)print("總獎勵 = {}".format(total_reward))ans.append(total_reward) plt.figure() plt.plot(ans,'b-') plt.show()

——————————————稍后繼續(xù)更——————————————————

總結(jié)

以上是生活随笔為你收集整理的动态规划算法实验报告_强化学习之动态规划算法的全部內(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。