Python机器学习应用 | 强化学习
2017-07-02 17:56
330 查看
1 强化学习
1、强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一个从环境到动作的映射,学习的目标就是使累计回报最大化。2、强化学习是一种试错学习,因其在各种状态(环境)下需要尽量尝试所有可以选择的动作,通过环境给出的反馈(即奖励)来判断动作的优劣,最终获得环境和最优动作的映射关系(即策略)。
2 马尔可夫决策过程(MDP)
马尔可夫决策过程(Markov Decision Process)通常用来描述一个强化学习问题,智能体agent根据当前环境的观察采取动作获得环境的反馈,并使环境发生改变的循环过程。3 MDP基本元素
1、s∈S:有限状态state集合,s表示某个特定状态;2、a∈A:有限动作action集合,a表示某个特定动作;
3、T(S,a,S′) Pr(s′|s,a):状态转移模型,根据当前状态s和动作a预测下一个状态s,这里的Pr表示从s采取行动a转移到s′的概率;
4、R(s,a):表示agent采取某个动作后的即时奖励,它还有R(s,a,s′),R(s)等表现形式;
5、Policy π(s)→a:根据当前state来产生action,可表现为a=π(s)或π(a|s)=P(a|s),后者表示某种状态下执行某个动作的概率。
4 值函数
状态值函数V表示执行策略π能得到的累计折扣奖励:Vπ(s)=E[R(s0,a0)+γR(s1,a1)+γ2R(s2,a2)+...|s=s0]
即:
Vπ(s)=R(s,a)+γ∑s′∈Sp(s′|s,π(s))Vπ(s′)
状态动作值函数Q(s,a)表示在状态s下执行动作a能得到的累计折扣奖励:
Qπ(s,a)=E[R(s0,a0)+γR(s1,a1)+γ2R(s2,a2)+...|s=s0,a=a0]
即:
Qπ(s,a)=R(s,a)+γ∑s′∈Sp(s′|s,π(s))Qπ(s′,π(s′))
5 最优值函数
V∗(s)=maxa∈A[R(s,a)+γ∑s′∈Sp(s′|s,a)V∗(s′)]Q∗(s,a)=R(s,a)+γ(∑s′∈Sp(s′|s,a))maxb∈AQ∗(s′,a)6 最优控制
在得到最优值函数之后,可以通过值函数的值得到状态s时应该采取的动作a:π(s)=argmaxa∈A[R(s,a)+γ∑s′∈Sp(s′|s,a)V∗(s′)]π(s)=argmaxa∈AQ∗(s,a)V∗(s)=maxa∈AQ∗(s,a)
7 蒙特卡洛强化学习
1、在现实的强化学习任务中,环境的转移概率、奖励函数往往很难得知,甚至很难得知环境中有多少状态。若学习算法不再依赖于环境建模,则称为免模型学习,蒙特卡洛强化学习就是其中的一种。2、蒙特卡洛强化学习使用多次采样,然后求取平均累计奖赏作为期望累计奖赏的近似。
3、蒙特卡洛强化学习:直接对状态动作值函数Q(s,a)进行估计,每采样一条轨迹,就根据轨迹中的所有“状态-动作”利用下面的公式对来对值函数进行更新。
Q(s,a)=Q(s,a)∗count(s,a)+Rcount(s,a)+1
4、每次采样更新完所有的“状态-动作”对所对应的Q(s,a),就需要更新采样策略π。但由于策略可能是确定性的,即一个状态对应一个动作,多次采样可能获得相同的采样轨迹,因此需要借助ϵ贪心策略:
π(s,a)={argmaxaQ(s,a)随机从A中选取动作以概率1-ϵ以概率ϵ
5、蒙特卡洛强化学习算法需要采样一个完整的轨迹来更新值函数,效率较低,此外该算法没有充分利用强化学习任务的序贯决策结构。
8 Q-learning算法
1、Q-learning算法结合了动态规划与蒙特卡洛方法的思想,使得学习更加高效。2、假设对于状态动作对(s,a)基于t次采样估算出其值函数为:
Qπt(s,a)=1t∑i=1tri
在进行t+1次采样后,依据增量更新得到:
Qπt+1(s,a)=Qπt(s,a)+1t+1(rt+1−Qπt(s,a))
然后,将1t+1替换成系数α(步长),得到:
Qπt+1(s,a)=Qπt(s,a)+α(rt+1−Qπt(s,a))
3、以γ折扣累计奖赏为例:
rt+1=Ras+γQπt(s′,a′)
则值函数的更新方式如下:
Qπt+1(s,a)=Qπt(s,a)+α(Ras+γQπt(s′,a′)−Qπt(s,a))
9 Q-learning算法流程
输入:环境E;动作空间A;起始状态s0;奖励折扣γ;更新步长α;过程:
1:Q(s,a)=0,π(s,a)=1|A|;
2:s=s0;
3:fort=1,2,...do
4: r,s′=在E中执行动作πϵ(s)产生的奖赏和转移的状态;
5: a=π(s′);
6: Q(s,a)=Q(s,a)+α(r+γQ(s′,a′)−Q(s,a));
7: π(s)=argmaxa"Q(s,a");
8: s=s′,a=a′;
9:end for
输出:策略π
10 Deep Q Network(DQN)
1、Deep Q Network(DQN):是将神经网络(neural network) 和Qlearning结合,利用神经网络近似模拟函数Q(s,a),输入是问题的状态(e.g.,图形),输出是每个动作a对应的Q值,然后依据Q值大小选择对应状态执行的动作,以完成控制。2、神经网络的参数:应用监督学习完成
11 DQN学习过程
1.状态s输入,获得所有动作对应的Q值Q(s,a);
2.选择对应Q值最大的动作a'并执行;
3.执行后环境发生改变,并能够获得环境的奖励γ;
4.利用奖励γ更新Q(s,a')–强化学习利用新的Q(s,a')更新网络参数—监督学习
12 DQN算法流程
Algorithm 1 Deep Q-learning with Experience ReplayInitialilze replay memory D to capacity N
Initialize action-value function Q with random weights
for episode = 1,M do
Initialise sequence s1={x1} and preporcessed sequeced ϕ1=ϕ(s1)
for t=1,T do
With probability ϵ select a random action at
otherwise select at=maxaQ∗(ϕ(st),a;θ)
Execute action at in emulator and observe reward rt and image xt+1
Set st+1=st,at,xt+1 and preprocess ϕt+1=ϕ(st+1)
Store transition (ϕt,at,rt,ϕt+1) in D
Sample random minibatch of transitions (ϕj,aj,rj,ϕj+1) from D
Set yj={rjrj+γmaxa′Q(ϕj+1,a′;θ)for terminal ϕj+1for non-terminal ϕj+1
Perform a gradient descent step on (yi−Q(ϕj,aj;θ))2 according to equation 3
end for
end for
部分流程解释:
1、Initialilze replay memory D to capacity N:初始化D:用于存放采集(St,at,rt,St+1)的状态转移过程,用于网络参数的训练
2、Initialize action-value function Q with random weights:随机初始化神经网络的参数
3、Initialise sequence s1={x1} and preporcessed sequeced ϕ1=ϕ(s1):获取环境的初始状态(x是采集的图像,使用图像作为agent的状态;预处理过程是说,使用4张图像代表当前状态,这里可以先忽略掉)
4、otherwise select at=maxaQ∗(ϕ(st),a;θ):epsilon贪心策略:使用epsilon概率随机选取动作或1- epsilon的概率根据神经网络的输出选择动作
5、Execute action at in emulator and observe reward rt and image xt+1:在模拟器中执行选定的动作,获得奖励γt和一个观察xt+1
6、Store transition (ϕt,at,rt,ϕt+1) in D:设置St+1,并将状态(St,at,rt,St+1)转移过程存放在D中
7、Sample random minibatch of transitions (ϕj,aj,rj,ϕj+1) from D:从D中进行随机采样,获得一部分状态转移过程历史信息
8、Set yj={rjrj+γmaxa′Q(ϕj+1,a′;θ)for terminal ϕj+1for non-terminal ϕj+1:使用Q-learning方法更新状态值函数的值(终止与非终止状态的更新不同)
9、Perform a gradient descent step on (yi−Q(ϕj,aj;θ))2 according to equation 3:使用监督学习方法更新网络的参数
相关文章推荐
- Python机器学习应用 | 监督学习
- Python机器学习应用 | KNN实现手写识别
- Python机器学习应用 | 基本分类模型
- Python机器学习应用 | 期末大作业1(程序设计)
- Python机器学习应用 | 线性回归
- Python机器学习应用 | 岭回归
- Python机器学习应用 | 聚类——K-means方法及应用
- Python机器学习应用--KNN
- Python机器学习应用 | 多项式回归
- Python机器学习应用 | 降维——PCA方法及其应用
- Python机器学习应用 | 降维——NMF方法及实例
- PyCon 2014:机器学习应用占据Python的半壁江山
- python机器学习应用案例---PCA
- Python机器学习应用 | 聚类——DBSCAN方法及应用
- Python机器学习应用 | 无监督学习
- Python机器学习应用 | 人体运动状态预测
- Python机器学习应用 | 监督学习课程测验
- PyCon 2014:机器学习应用占据Python的半壁江山
- Python机器学习应用 | 基于聚类的“图像分割”
- 机器学习完整过程案例分布解析,python代码解析