强化学习课件_第1页
强化学习课件_第2页
强化学习课件_第3页
强化学习课件_第4页
强化学习课件_第5页
已阅读5页，还剩6页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

强化学习基本原理通过学习来选择能达到其目标的最优动作。当Agent在其环境中做每个动作时，环境都会提供一个反馈信号，即奖惩值。强化学习也可看成是从环境到动作的映射学习过程，其目的就是采用的某动作能够从环境中得到最大的累积奖惩值。智能体环境动作奖惩状态强化学习模型从模型图我们可以得出，智能体不断地重复地学习不断的探索就是为了找到一个最优的行为策略。(1)智能体感知当前的状态；

(2)选择适合当前状态的动作；

(3)执行动作，环境发生变化并产生一个奖惩值

(4)奖惩值反馈给系统。强化学习基本原理强化学习把学习看作试探过程在强化学习中，Agent选择一个动作作用于环境，环境接收该动作后发生变化，同时产生一个奖惩值反馈给Agent，Agent再根据奖惩值和环境的当前状态再选择下一个动作，选择的原则是使受到奖励的概率增大。选择的动作不仅影响立即奖惩值而且还影响下一时刻的状态及最终回报值．强化学习的目的就是寻找一个最优策略，使得Agent在运行中所获得的累计奖惩值最大。强化学习的主要组成要素

强化学习搜索策略Agent对动作的搜索策略主要有贪婪策略和随机策略。贪婪策略总是选择估计奖惩值为最大的动作。当奖惩函数收敛到局部最优时，贪婪策略无法脱离局部最优点。随机策略是用一个随机分布来根据各动作的评价值确定其被选择的概率，其原则是保证学习开始时动作选择的随机性较大，随着学习次数的增大，评价值最大的动作被选择的相对概率也随之增大。值函数和策略之间的相互作用。利用值函数可以改善策略，而利用对策略的评价又可以改进值函数。强化学习在这种交互过程中，逐渐得到最优的值函数和最优策略。强化学习的主要组成要素奖惩函数奖惩函数可以用R（s，a）表示，它是智能体根据当前状态按策略选择动作执行后系统给出的评价，是从状态到奖惩值的映射。常规的奖惩标准一般分为三个方面：

正奖惩值，当对完成学习任务有帮助的时候

r=零奖惩值，当对完成学习任务无帮助的时候

负奖惩值，当对完成学习任务有相反作用的时候

奖惩标准一般都是按照这三个方面给出的，只是落实的具体问题的时候，需要研究人员根据环境和应用场景的具体要求，给出有针对性的奖惩标准。好的奖惩标准对智能体的刺激作用是很大的，能够使智能体以较快的速度学会最优的动作策略。强化学习的主要组成要素

Q学习算法

Q学习算法

收敛性

Q学习特点综上所述我们可以得到Q学习的以下几个特点：(1)Q学习算法是一种探索加利用的学习方式，对先验知识不做要求或有较少的要求；(2)Q学习算法采用增量的方式，是在线学习的方式；(3)Q学习算法适用于在不确定的环境中学习；(4)Q学习算法的体系结构可扩展；(5)Q学习算法是收敛的算法。

马尔科夫决策过程马尔科夫决策过程是指决策者周期地或连续地观察具有马尔科夫性的随机动态系统，序贯地做出决策。也就是说决策者要根据自己当前观察到的情况，从已知

人人文库> 全部分类> 办公材料 > 对照材料

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论