合集-Reinforce Learning
摘要：强化学习Chapter1——基本认识 一句话概括强化学习（RL，reinforce learning）：强化学习是通过对某个主体的行为来进行奖励或者惩罚，从而使其在未来更可能重复或者放弃某个行为。（倒有点“培养小学生养成良好的学习习惯”那味了......） 从基本概念谈起 1、框架表征：State，
阅读全文
摘要：强化学习Chapter2——优化目标（1） 上节涉及强化学习基本思路以及利用数学方式表征强化学习，但对强化学习的目标并没有进行详尽的定义，而仅用回报的定义一笔带过。本节的目标旨在不涉及算法地详述强化学习的目标。 强化学习一般性目标 上文提到，强化学习的目标可以解释为：在一个 Trajectories
阅读全文
摘要：强化学习Chapter2——优化目标（2） 上文推导出强化学习的一般性目标，即不做确定性假设下的优化目标，得到了下面两个式子： \[P(\tau|\pi)=\rho_0(s_0)\prod^{T-1}_{t=0} P(s_{t+1}|s_t,a_t)\pi(a_t|s_t)\\ J(\pi)=\in
阅读全文
摘要：强化学习Chapter3——贝尔曼方程 上一节介绍了衡量回报 \(R\) 的相关函数，包括状态价值函数与动作价值函数，并且介绍了二者之间的等式关系 \[V^\pi(s)=E_{a\sim\pi}[Q^\pi(s,a)]=\sum_{a}\pi(a|s)Q^\pi(s,a)\\ Q^\pi(s,a)=
阅读全文
摘要：强化学习Chapter4——两个基本优化算法（1） 上一节导出了状态价值函数的贝尔曼方程以及最优状态价值函数： \[\begin{aligned} V^\pi(s) &=E_{a\sim \pi,s’\sim P}[r(s,a)+\gamma V^\pi(s‘)]\\ &= \sum_{a}\pi(
阅读全文
摘要：强化学习Chapter4——两个基本优化算法（2） 上一节，依据贝尔曼方程得出了策略迭代算法（policy iteration），本节将介绍另一种根据贝尔曼最优方程提出的，价值迭代算法（value iteration）。在此之后，将阐述这两种算法的共性与区别，并总结出一个中间性能的截断策略迭代算法（
阅读全文
浙公网安备 33010602011771号