0
点赞
收藏
分享

微信扫一扫

Policy-Based Method RL


Policy-Based Method RL

Policy-Based Method RL_无偏估计

策略函数 是一个概率密度函数,以为输入,输出是 每个动作的概率分布。

agent根据策略函数随机抽样选择动作执行。

1.策略网络

Policy-Based Method RL_概率密度函数_05

我们使用策略网络来近似策略函数,网络的训练参数为

2.状态价值函数

Policy-Based Method RL_无偏估计_08

定义状态价值函数

Policy-Based Method RL_无偏估计_10

为离散随机变量时,我们将

Policy-Based Method RL_无偏估计_13

通过策略网络的近似,我们可以得到如上图等式。

Policy-Based Method RL_无偏估计_14

我们的目标是最大化对于的期望,用来表示当前策略的胜率。

因此我们要最大化

通过Policy Gradient 策略梯度算法实现。

Policy-Based Method RL_python_20

通过带入,我们的对于的导数也就是梯度的等式变形。

Policy-Based Method RL_python_23

通过对 函数相对的导数和的乘积之和,便可以得到梯度,但是该方法过于简化且不严谨,因为也与有关,但是最终实际结果一样。

Policy-Based Method RL_概率密度函数_29

对于连续型随机变量,我们不能使用上述方法。

Policy-Based Method RL_机器学习_30

而是对

Policy-Based Method RL_python_32

最后,我们可以用上图的期望所表示梯度。

Policy-Based Method RL_人工智能_33

因为策略函数是一个神经网络,无法进行积分求期望,因此我们考虑用蒙特卡洛近似,即根据策略函数随机抽样 ,定义作为无偏估计,近似表示梯度。

算法如下图所示:

Policy-Based Method RL_概率密度函数_37

3.价值函数如何近似

Policy-Based Method RL_python_38

在该方法中,我们不知道价值函数,我们如何近似呢?

第一种方法是REINFORCE,将agent执行完一轮的动作,得到一个的轨迹,然后用 实际回报近似

第二种方法就是使用actor-critic method,使用策略网络近似

Policy-Based Method RL_概率密度函数_44


举报

相关推荐

0 条评论