【强化学习】部分基础知识（DPG 1）

Method

Value-Based

step1: 将神经网络作为actor

step2: 衡量actor的好坏

step3: 选择最好的actor

Policy-Based

Critic: 用来评估actor
State value function(V): 在看到某一个状态state的时候预期能够得到的累积收益Estimation of V:

1. Monte-Carlo(MC): critic会观察actor $\pi$ 玩游戏的整个过程, 具有不确定性，较大的方差，但结果无偏
2. Temporal-difference(TD): 只计算状态与状态之间的收益reward，具有较小的方差，但是结果可能造成偏误
3. State action value function: 基于状态state和行动action得到收益reward
4. Q-learning: actor $\pi$和环境做互动，然后不断用一个更好的${\pi }^{\prime }$来更新 $\pi$

Actor-Critic

Actor

actor网络基于Policy Gradients，输入为state，输出为采取各个action的概率（action需要是离散的）

Critic

critic网络基于value-based，输入为state和action，输出为value，即对Q(s,a)的估值

使用actor估计出来的action在critic中估值，并用估计出来的Q(s,a)对actor网络优化

Policy

强化学习中一般有两个策略，行为策略（Behavior Policy）和目标策略（Target Policy），我们使用行为策略在训练时做决策，而目标策略则是训练结束后拿去应用的策略。

On-Policy

学习到的agent以及和环境进行互动的agent是同一个agent

Sarsa

$$\begin{gathered} 使用ϵ-greedy算法选择action{a}^{\prime } \\ Q(s,a)=Q(s,a)+\alpha [R(s,a)+\gamma Q(s^{\prime },a^{\prime })-Q(s,a)] \\ s=s^{\prime };a=a^{\prime } \end{gathered}$$

Off-Policy

学习到的agent以及和环境进行互动的agent是不同的agent

Q-learning

Q(s,a)=Q(s,a)+α[R(s,a)+γmax⁡a′{Q(s′,a′)}−Q(s,a)]s=s′ Q(s,a)=Q(s,a)+\alpha[R(s,a)+\gamma \max_{a'}\left\{Q(s',a') \right\}-Q(s,a)]\\ s=s' Q(s,a)=Q(s,a)+α[R(s,a)+γa′max​{Q(s′,a′)}−Q(s,a)]s=s′

可以看作是使用了另外一个greedy的policy作为target policy

DQN

DQN作为一个例子来说更加直观，使用两个critic网络进行估值，其中target网络固定不变，训练main网络，在一定次数的训练后再同步两个网络，这时候可以明显看出行为策略与目标策略是不相同的。

本文内容主要基于李宏毅老师的机器学习基础课程，如果想要详细了解可以直接去观看视频