标签:元组 决定 关系 化学 集合 动作 ring action 均值
1)MDP形式化地强化学习中的环境(此时假设环境完全可以观察)
2) 几乎所有强化学习问题都可以形式化为MDP(部分可观察的环境也可以转化为MDP????)
MDP是一个二元组<S,P>,其中S是状态集合;P是状态转移概率
在MP中加入了Reward
Reward在状态后直接产生(课程中使用的G(GrossReturn),是当前状态后所有Reward的和,是从T+1时间开始计算的,使用折扣累积的收益)
状态值函数:某个状态后的收益总和的期望
贝尔曼方程:
v(st)=R(T)+LAMBDA*
在MRP中,即时收益和action无关;仅和状态有关,状态出现后即产生收益
MRP的贝尔曼方程是一个线性方程组,可以直接求解;MRP不可以
MRP的迭代解法:DP/MC/TD
状态值函数和动作值函数的关系
最优策略:最优策略的所有状态值函数都比其它策略的状态值函数大
最优策略使得值函数达到最优
最优策略使得动作值函数达到最优
最优值函数是从某个最优动作选择的;最优动作值函数,却是加和所有状态值函数(*****因为策略觉得动作选择;而MDP决定状态转移,状态转移和策略无关)
最优策略没有公式解
求解方式:值迭代;策略迭代;Q-learing;Sarsa
无限/连续MDP
部分观察MDP
无折扣,均值MDP
1、为什么说部分可观察的环境也可以转化为MDP
强化学习(David Silver)2:MDP(马尔科夫决策过程)
标签:元组 决定 关系 化学 集合 动作 ring action 均值
原文地址:http://www.cnblogs.com/ai1024/p/7712636.html