网站建设合同范本-经过律师审核,高新技术企业申报网站,怎么样管理网站,什么是网站空间博客写到一半发现有篇讲的很清楚#xff0c;直接化缘了 https://www.jianshu.com/p/9f113adc0c50
Policy gradient
强化学习的目标#xff1a;学习到一个策略πθ(a∣s)\pi\theta(a|s)πθ(a∣s)来最大化期望回报。 一种直接的方法就是在策略空间中直接搜索来得到最优策略直接化缘了 https://www.jianshu.com/p/9f113adc0c50
Policy gradient
强化学习的目标学习到一个策略πθ(a∣s)\pi\theta(a|s)πθ(a∣s)来最大化期望回报。 一种直接的方法就是在策略空间中直接搜索来得到最优策略这种方法称为策略搜索Policy Search。策略搜索的本质是优化问题可以分为基于梯度的优化和无梯度的优化策略搜索和基于值函数的方法相比策略搜索可以不需要值函数直接优化策略。参数化的策略能处理连续状态和动作可以直接学出随即性策略。策略梯度Policy Gradient是一种基于梯度的强化学习方法。假设πθ(a∣s)\pi\theta(a|s)πθ(a∣s)是一个关于θ的连续可微函数可以用梯度上升的方法来优化参数θ使得目标函数f(θ)f(\theta)f(θ)最大。
简单推导
trajectory ι{s1,a1,s2,a2,...sι,aι}\iota\{s_1,a_1,s_2,a_2,...s_\iota,a_\iota\}ι{s1,a1,s2,a2,...sι,aι} pθp(s1)pθ(a1∣s1)pθ(s2∣s1,a1)pθ(a2∣s2)pθ(s3∣s2,a2)...p(s1)∑ιt1pθ(aι∣sι)p(sι1∣sι,aι)p_\thetap(s_1)p_\theta(a_1|s_1)p_\theta(s_2|s_1,a_1)p_\theta(a_2|s_2)p_\theta(s_3|s_2,a_2)...p(s_1)\underset{t1}{\overset{\iota}{\sum}}p_\theta(a_\iota|s_\iota)p(s_{\iota1}|s_\iota,a_\iota)pθp(s1)pθ(a1∣s1)pθ(s2∣s1,a1)pθ(a2∣s2)pθ(s3∣s2,a2)...p(s1)t1∑ιpθ(aι∣sι)p(sι1∣sι,aι)
这里的pθp_\thetapθ表示的是策略也就是在什么状态下该做什么动作而ppp是状态转移概率。
For each trajectory: Reward RθR(ι)R_\thetaR(\iota)RθR(ι) Expeted Reward Rθ‾∑ιR(ι)pθ\overline{R_\theta}{\overset{\iota}{\sum}}R(\iota)p_\thetaRθ∑ιR(ι)pθ
我们希望最大化期望使用梯度上升的方法。 给定一个策略在和环境互动之后产生多条轨迹以及奖励之后将数据集收集起来之后求 Rθ‾\overline{R_\theta}Rθ的梯度之后更新参数得到新的策略。
