基本概念

监督学习与强化学习

监督学习	强化学习
通过学习近似参考答案	通过试验和错误来学习最优策略
需要正确答案	代理的动作需要反馈
模型不影响输入数据	代理可以影响自己的观察

MDP形式定义

RL的目标

最大化累积奖赏的期望

CEM交叉熵方法

算法步骤

1. 初始化策略
2. 重复
   
   1. 抽样N个sessions
   2. 选取elite sessions:选择前M个最好的session(奖励最大的)
   3. 更新策略使得elite sessions中的动作优先级更高

Tabular CE

Smoothing

• 上述方法存在一个问题：如果某个状态只访问了一次，那么在那一次所采取的动作将会在未来一直被采取。
• 应用平滑技术：
  π(a|s)=[took a at s]+λ[was at s]+λ⋅Nactions$\pi (a|s)=\frac{[\text{took a at s}]+\lambda }{[\text{was at s}]+\lambda \cdot N_{actions}}$
• 另一种：平滑更新
  πi+1(a|s)=α⋅πopt+(1−α)πi(a|s)${\pi }_{i+1}(a|s)=\alpha \cdot {\pi }_{opt}+(1-\alpha ){\pi }_i(a|s)$

随机MDP

• 如果环境具有随机性，算法会更偏向“幸运”的session。
• 在(由随机性带来的)幸运session上训练并不好。
• 解决方法：在每一个状态抽样若干个动作，从那些state-action对开始运行若干模拟，将结果平均。降低随机性的影响。

Approximate CE

算法步骤

连续动作空间

CE Trick

• 记住最近3-5次迭代的sessions
  
  • 全部用于训练（利用最近的sessions和新抽样的sessions作为候选）
  • 简单环境下可能导致收敛变慢
• 使用熵来正则化
  
  • 防止过早收敛，防止最优动作无法被探索到
• 并行采样
• 如果是部分观测问题，使用RNN

CE方法总结：

• 容易实现
• 效果还不错

• 黑盒优化

  • 不知道环境信息
  • 不知道中间奖赏信息

• 样本效率低，采样了很多sessions，只有部分可以用于训练。在现实环境很难使用。

• 需要完整的session才能训练