- 1、本文档共9页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
人工智能与信息社会
基于神经网络的智能系统II:熟能生巧-持续更新
陈斌北京大学gischen@pku.edu.cn
学习流程
〉 初始化Q函数
〉 不断重复每一局游戏
选择动作
得到回报
更新Q函数
〉 最终得到一个好的Q
函数
北京大学地球与空间科学学院/ 陈斌/2018
动作-状态序列
〉 每一局游戏都是一个动作状态序列
〉 下一个状态只和当前的状态+动作有
关 (马尔可夫性质)
北京大学地球与空间科学学院/ 陈斌/2018
长期回报
〉 除了试错式搜索之外,强化学习的另一个重
要的特点是回报的滞后性。
〉 当前状态下的动作所产生的回报不仅取决于
下一个状态,还取决于整个序列之后的每一
个状态。
北京大学地球与空间科学学院/ 陈斌/2018
回报率
〉 当前的动作对下一状态的影响是最直接的,
对后续状态影响没那么直接。
〉 某些动作产生的当前回报值比较高,但从长
远来看,可能并没有那么高。
〉 因此我们用一个回报率来平衡下一状态回报
和更远状态回报。
0.9x 状态1 +0.81x 状态2 +0.729x 状态3 +……
北京大学地球与空间科学学院/ 陈斌/2018
回报函数
〉 每一次游戏会产生不同的状态动作序列,即
每一次对后续状态的回报计算都不相同。
〉 我们用后续状态的期望,即所有之后的序列
的回报平均值作为回报函数。
〉 回报函数值就是Q值。
北京大学地球与空间科学学院/ 陈斌/2018
学习过程
〉 每完成一局之后,就持续更新Q函数。
〉 完成的局数越多,更新的次数就越多,结果
也越准确。
旧的Q值
新的Q值
这次尝试后
更新的回报
北京大学地球与空间科学学院/ 陈斌/2018
学习率
〉 既要利用好已经学好的值,也要善于学习新
的值。
〉 这两者就通过学习率来平衡,一开始学习率
可以大一些,最后稳定时学习率可以小一些。
旧的Q值
新的Q值
这次尝试后
学习率
更新的回报
北京大学地球与空间科学学院/ 陈斌/2018
熟能生巧
〉 通过上述公式学习,在足够多的尝试之后,
AI所学到的状态动作值函数Q就能够达到一
个较优的结果。
〉 再根据这个Q函数来选择动作,就 “熟能生
巧”了!
北京大学地球与空间科学学院/ 陈斌/2018
文档评论(0)