版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Solo95/article/details/100147150
RL Algorithm Components
通常包括一个或者更多：
- Model(模型): world对agent的动作如何改变的一种表示(representation)
- Policy(策略): 映射agent的state到动作的函数
- Value function(价值函数): 遵循一个policy处于一个状态/执行一个动作之后的未来奖励
Model
模型是Agent的world如何对其动作产生回应的表示(what happens in the world as it takes its action and what reward it might get)。
Transition/dynamics(变迁/动态)模型预测下一个agent的state p(st 1=s′∣st=s,at=1)p(s_{t 1}=s'|s_t=s,a_t=1)p(st 1=s′∣st=s,at=1)
Reward模型预测即时奖励： r(st=s,at=a)=E[rt∣st=s,at=t]r(s_t=s,a_t=a)=mathbb{E}[r_t|s_t=s,a_t=t]r(st=s,at=a)=E[rt∣st=s,at=t]
Policy
策略πpiπ决定agent如何选择动作 π:S→Api: S rightarrow Aπ:S→A，映射states到actions 确定性策略(Deterministic policy): π(s)=api(s)=aπ(s)=a 随机性策略(Stochastic policy): π(a∣s)=Pr(at=a∣st=s)pi(a|s)=Pr(a_t=a|s_t=s)π(a∣s)=Pr(at=a∣st=s)
Value
价值函数 VπV^{pi}Vπ: 在一个特定策略πpiπ下所有未来的打折奖励总和的期望。 Vπ(st=s)=Eπ[rt γrt 1 γ2rt 2 γ3rt 3 ... ∣st=s]V^{pi}(s_t=s)=mathbb{E}_{pi}[r_t gamma r_{t 1} gamma^2r_{t 2} gamma^3r_{t 3} ... |s_t=s]Vπ(st=s)=Eπ[rt γrt 1 γ2rt 2 γ3rt 3 ... ∣st=s]
折扣因子(Discount factor)γgammaγ(between 0 and 1)加权了即时奖励和未来奖励(weighted by how much I care about immediate versus long term rewards)。
可以被用于量化状态和动作的好坏程度。
通过比较不同的策略决定如何行动。
RL Agents
基于模型的(Model-based)
代码语言：javascript复制- 显式：模型
- 可能有也可能没有策略和/或价值函数不基于模型的(Model-free)
代码语言：javascript复制-显式：价值函数和/或策略函数
-没有模型
Key Challenges in Learning to Male Sequences of Good decisions
下面是在对比规划和强化学习:
规划(planning)(Agent的内部计算)
- 给定模型world怎样运作
- 动态和奖励模型
- 算法计算如何行动以取得最大奖励期望
- 和实际环境没有交互
Reinforcement Learning
- Agent不知道world怎样运作
- 显式或者隐式地和world交互以学习world如何运作
- Agent会改进策略(可能包含规划过程)
