强化学习 | 课堂笔记 | 第三课 MP的便利性，随机逼近方法

Yinger_2000

于 2023-03-07 10:38:04 发布

阅读量553

点赞数

CC 4.0 BY-SA版权

文章标签：动态规划机器学习算法

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.youkuaiyun.com/Yinger_2000/article/details/129377232

文章探讨了动态规划（DP）的基本概念，包括值函数、贝尔曼方程和最优值函数。深入介绍了ADP（ApproximateDynamicProgramming）的两种方法——价值迭代（VI）和策略迭代（PI），并讨论了ADP在满足特定条件时的应用。同时，文章提到了Q函数在决策过程中的作用，以及如何利用随机逼近方法，如增量更新和SGD（StochasticGradientDescent）来解决强化学习中的问题，特别是强调了Markov过程的平稳分布及其重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、回顾

一、值函数、贝尔曼方程、贝尔曼最优方程

在这里插入图片描述

二、最优值函数

三、ADP

3.1 VI

3.2 PI

在这里插入图片描述

四、ADP可以使用的条件

在这里插入图片描述

五、Q函数

六、解决问题的方案

（指的是解决“四 ADP可以使用的条件”中的三个问题）
在这里插入图片描述

二、期望的计算

一、Markov过程的便利性

1.1 平稳分布

1.1.1 一定存在平稳分布

1.1.2 P为分块矩阵↔平稳分布不唯一

1.2 平稳分布的便利性

在这里插入图片描述

二、随机逼近方法

2.1 增量更新与学习率

2.2 随机逼近

2.2.1 不动点迭代的形式θ=f(θ)

2.2.2 求解0=f(θ)

2.2.3 SGD

2.2.3 强化学习：DP在随机逼近框架下的实现

在这里插入图片描述

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。