Reinforcement Learning 一：历史发展背景与介绍

时间：2024-04-08 22:51:32

大家好，今天跟大家分享一下强化学习。

1.强化学习的历史发展

  1. 1956年Bellman提出了动态规划方法。
  2. 1977年Werbos提出只适应动态规划算法。
  3. 1988年sutton提出时间差分算法。
  4. 1992年Watkins 提出Q-learning 算法。
  5. 1994年rummery 提出Saras算法。
  6. 1996年Bersekas提出解决随机过程中优化控制的神经动态规划方法。
  7. 2006年Kocsis提出了置信上限树算法。
  8. 2009年kewis提出反馈控制只适应动态规划算法。
  9. 2014年silver提出确定性策略梯度（Policy Gradents）算法。
  10. 2015年Google-deepmind 提出Deep-Q-Network算法。

2.强化学习的介绍

  1. Supervised learning：监督学习有标签，能告诉你训练结果的对与错。可以看成根据监督者的先验知识提供的先例进行监督学习。
  2. Unsupervised learning：非监督学习无标签，算法能够通过数据之间的关联性将数据分类进行处理。
  3. Reinforcement learning：强化学习的目标是使得回报最大化。强化学习和非监督学习的关键部分就是回报的选择。强化学习是学习状态和行为之间的映射关系，以使得数值回报达到最大化。换句话说，在未知采取何种行为的情况下，学习者必须通过不断尝试才能发现采取哪种行为能够产生最大回报。

随机博弈包括两个框架：
1.马尔科夫决策过程（MDP)：MDP包括一个智能体和多个状态。
2.矩阵博弈：矩阵博弈包括多个智能体和一个状态。

随机博弈可以看成是多个智能体和多个状态的问题。

3.常用强化学习算法介绍

强化学习从提出到现在，也差不多半个世纪左右。到目前为止，常见的强化学习的算法有下面几种，以及不同的分类。

Reinforcement Learning 一：历史发展背景与介绍

  1. Model-free：不尝试去理解环境, 环境给什么就是什么，一步一步等待真实世界的反馈, 再根据反馈采取下一步行动。
  2. Model-based：先理解真实世界是怎样的, 并建立一个模型来模拟现实世界的反馈，通过想象来预判断接下来将要发生的所有情况，然后选择这些想象情况中最好的那种，并依据这种情况来采取下一步的策略。它比 Model-free 多出了一个虚拟环境，还有想象力。
  3. Policy based：通过感官分析所处的环境, 直接输出下一步要采取的各种动作的概率, 然后根据概率采取行动。
  4. Value based：输出的是所有动作的价值, 根据最高价值来选动作，这类方法不能选取连续的动作。
  5. Monte-carlo update：游戏开始后, 要等待游戏结束, 然后再总结这一回合中的所有转折点, 再更新行为准则。
  6. Temporal-difference update：在游戏进行中每一步都在更新, 不用等待游戏的结束, 这样就能边玩边学习了。
  7. On-policy：必须本人在场, 并且一定是本人边玩边学习。
  8. Off-policy：可以选择自己玩, 也可以选择看着别人玩, 通过看别人玩来学习别人的行为准则。

4.基本的数学知识和理论

1.LS算法
inputs:x(n) outputs:y(n)

y(n)=ax(n)+b;y(n)=ϕTθ

ϕT=[x(n),1];θ=[a,b]

成本函数为:

V=∑n=1N(y(n)−ϕT(n)θ)2

求得LS解为：

θ=[∑n=1Nϕ(n)ϕT(n)]−1[∑n=1Nϕ(n)y(n)]

预测误差为：

ε(n)=(y(n)−ϕT(n)θ)

2.RLS算法:

V=∑n=1Nλ(N−t)(y(n)−ϕT(n)θ)2

等式中λ⩽1,λ为遗忘因子。
求得RLS的解为:
θ=[∑n=1Nλ(N−t)ϕ(n)ϕT(n)]−1[∑n=1Nλ(N−t)ϕ(n)y(n)]

3.LMS算法:
LMS相对与LS来说，其解析解为：

θ=R−1P

R=[1N∑n=1Nϕ(n)ϕT(n)];P=[1N∑n=1Nϕ(n)y(n)]

LMS的迭代解为：

θ(n+1)=θ(n)+αϕ(n)(y(n)−ϕT(n)θ(n))

相关文章