- 1、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。。
- 2、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。
- 3、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)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、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。
- 6、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。
- 7、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
基于策略梯度的强化学习方法研究
摘 要 强化学习目前已经成为计算机领域中研究热点之一,很多计算机研究者也投身于该领域中寻求最优的强化学习算法来解决现实生活中的问题。目前有许多有关于寻求最优的强化学习的方法,有基于模型的动态规划法,也有无模型的强化学习方法。而基于策略梯度的强化学习方法也是学者们深入了解学习的方法之一。本文主要是在理解策略搜索方法的基础上学习策略梯度方法,之后研究了解几种基于策略梯度的强化学习方法,这里举例了TRPO、DDPG和A3C这三种策略梯度的方法,研究分析这三种方法,通过实验来对他们的性能进行比较。 关键词: 强化学习;策略搜索;策略梯度;TRPO;DDPG;A3C 前 言 在机器学习的领域中,根据反馈的不同,学习技术可以分为监督学习、非监督学习和强化学习这三大类。其中强化学习作为一种以环境反馈作为输入的、特殊的、适应环境的机械学习方法,被认为是设计智能Agent的核心技术之一。近年来,随着高性能计算、大数据和深度学习技术的发展,强化学习算法也得到了广泛的关注和快速发展,成为目前机器学习领域的研究热点之一[1]。 所谓的强化学习是从环境状态学习到动作的映射,它的目的是通过环境行动获得的累积奖励值最大化。对于监督学习和非监督学习,它们是通过正例和反例来了解要采取什么行动,这些例子都是确定的、已知的,根据这些例子来采取相对较好的行动;强化学习它是一个互动的过程,需要在不断的尝试与测试的过程中找到最佳的动作,这个过程需要大量的搜集数据,通过分析这些数据来获取最佳的策略。强化学习通常涉及两个方面的问题:一方面是怎么样来进行强化学习,另一个是解决怎么样强化学习的方法或技术。 强化学习的方法可以以策略为中心和以值函数最优为中心分为两大类,分别是策略优化方法和动态规划方法,策略优化的方法根据是否利用模型可以分为无模型的策略搜索方法和基于模型的策略搜索方法。其中无模型的策略搜索方法根据策略是否随机,分为随机性策略强化学习和确定性策略强化学习。本文介绍的策略梯度的强化学习方法属于策略优化方法的一种,它在策略搜索方法中最先发展起来。 第1章 绪 论 第1.1节 研究背景 强化学习目前已经成为计算机领域中研究热点之一。广大的计算机研究者也投身于该领域中寻求更好的、效率更高的强化学习算法来解决现实生活中的问题。强化学习的方法可以以策略为中心和以值函数最优为中心分为两大类,分别是策略优化方法和动态规划方法,策略优化的方法根据是否利用模型可以分为无模型的策略搜索方法和基于模型的策略搜索方法, 强化学习的大型应用需要使用广义函数逼近,如神经网络,决策树或基于实例的方法。过去十年的主导的方法是价值函数方法,其中所有函数逼近努力进入估计价值函数,动作选择策略隐含地表示为估计值的贪婪策略(例如,在每个状态中选择具有最高估计值的动作的策略)。价值函数方法在许多应用程序中运行良好,但有一些限制。首先,它的目标是寻找确定性策略,而最优策略往往是随机的, Singh,Jaakkola和Jordan在1994提出了这个想法[2] :选择具有特定概率的不同行为。其次,行动的估计价值发生细微的变化都有可能导致它被选中或不被选择。这种不连续的变化已被确定为建立价值函数法后的保证算法收敛的关键障碍。例如,Q-Iearning,动态规划方法都被证明无法收敛到简单的MDP和简单的函数逼近。即使在改变策略之前的每个步骤中发现最佳近似值,以及最佳的概念是平均误差意义还是略微不同的剩余梯度,时间差的意义,以及动态编程方法。因此学者们提出了一种策略搜索的方法,即策略梯度算法,这种算法受到许多学者的欢迎,它也逐步成为强化学习的研究热点之一。 第1.2节 主要工作 本文主要是研究基于策略梯度的强化学习方法,要了解策略梯度的算法,首先要对强化学习的基本原理要有所了解,在了解强化学习的基本原理后要知道现有的学习框架是什么,本文会介绍马尔科夫决策过程,这是经过无数学者不断的研究所提供的一套最好的学习框架。最后通过对几种策略梯度算法的研究,来分析他们的差异性,并且通过实验来比较他们的性能。本文的主要工作如下: (1)了解什么是强化学习,知道强化学习的原理是什么;强化学习的框架是马尔科夫决策过程,介绍马尔科夫决策过程,只有在理解的基本的基础知识后,再对策略梯度的算法进行介绍,了解什么是策略梯度。 (2)在理解策略梯度的强化学习方法之后,通过对基于策略梯度的几种方法进行研究分析,分析它们之间有何差异,所采用的方法有何不同,为后面的实验分析提供理论知识 (3)完成实验代码,了解这些代码所对应控制的是哪部分,通过实验结果来比较它们的性能。 (4)整理总结,
文档评论(0)