MDP:马尔科夫决策过程(Markov Decision Process)
策略评价:
对于确定性动作(deterministic actions),由于状态转换可能是无限的,那么奖惩函数之和的值也可能是无限的;对于随机性动作(stochastic actions),同样,奖惩函数期望之和也有可能是无限的。
需要定义一个客观函数(objective function)来将无穷的奖惩序列转换成单一的实数,来表示效用。
大概有三种方式:
- 设立一个确定的界限,只计算这几步范围内的奖惩函数之和
- 对每一步的奖惩添加折扣,并且偏向于较为靠前的状态的所收到的奖惩(reword)
- 平均奖惩率(Average reward rate in the limit)
其中,第二种,折扣法是比较常用的,主要介绍这一种。折扣法:
第 n 步的奖惩(reword)被乘以γn的折扣,这里的γ大于等于0,小于1。也就意味着该方法更偏向于较近的步数收到的奖惩
然后对这 n 步的带折扣奖惩进行累加
为了衡量一个策略的好坏,我们使用值函数 Vπ (Value Function),定义如下:
在每一个状态按照策略 π 执行所获得的客观函数的值(Objective function)。
R(s,π(s))表示当前状态 s 下,按照策略 π 执行动作 π(s) 所获得奖惩
上面的式子也可写做递归的形式:
这样就可按照值函数对每个策略进行排列,就会存在至少一个最优策略,V*
(下一篇将接着介绍贝尔曼等式(Bellman equations))
时间: 2024-10-10 22:30:26