lan_12138的博客

逆强化学习给定expert (专家)的一组demonstration (示范) D={τi}i=1nD=\{\tau_i\}_{i=1}^nD={τi​}i=1n​, 其中τi={(si1,ai1),(si2,ai2),...,(si(n−1),ai(n−1)),sn}\tau_i = \{(s_{i1}, a_{i1}), (s_{i2}, a_{i2}), ..., (s_{i(n-1)}, a_{i(n-1)}), s_n\}τi​={(si1​,ai1​),(si2​,ai2​),...,(si(

**前言：**这篇博客复现的是文章“Algorithms for Inverse Reinforcement Learning”中有限状态空间的Grid World的相关实验，重点是如何将非线性规划模型转化为线性规划模型。环境模型首先，构造环境模型Gridworld，代码如下所示：import numpy as npimport randomimport copyclass MyGirdWorld(object): size = 5 reward_grid = np.zero

Algorithm for Inverse Reinforcement Learning摘要：这篇文章解决了马尔可夫决策过程中的逆强化学习问题，也就是，从一个给定被观察的、最优的行为中提取出reward function。IRL也许可以帮助apprenticeship learning获得熟练的行为，以及确定由自然系统优化的reward function。我们首先刻画给定最优策略的reward function的集合，然后我们推导出三个IRL的算法。前面两个算法解决知道entire policy的情形；我