探索与利用
• Re-Le
探索与利用 1. 相关概念 在强化学习中，智能体的目标是学习一个最优策略来最大化长期回报。为了达成此目标，智能体必须在两个核心行为之间做出权衡： - 探索 (Exploration): 尝试当前看起来并非最优的动作，目的是为了收集更多关于环境的信息，发现潜在的、更优的行动选择。 - 利用...
Posts tagged "Re-Le"
基于模型的学习
• Re-Le
基于模型的学习 1. 相关概念 在强化学习中，基于模型的学习（Model-Based Learning）是一种方法，其核心思想是让智能体通过与环境的交互来学习环境的动态模型。这个模型通常包括两个关键部分： - 转移函数 (Transition Function) $T(s, a, s')$：预测在状态 $s$...
无模型学习
• Re-Le
无模型学习 无模型学习（Model-Free Learning）是一类无需了解环境模型（转移函数 $T$ 和奖励函数 $R$）的强化学习算法。代理直接通过与环境的交互经验来学习价值函数或策略。 无模型学习主要分为两大类： - 被动强化学习 (Passive Reinforcement...
强化学习
• Re-Le
强化学习 1. 相关概念 与马尔可夫决策过程（不同，强化学习是一种在线规划（Online Planning）方法。在传统的MDP（离线规划）中，智能体完全了解环境的转移函数和奖励函数，并以此为基础预先计算出最优策略。 在强化学习中，智能体对环境的奖励或状态转移没有任何先验知识。它必须通过探索（Exploration）...
MDP-calculation-exercise
• MDP, Re-Le
$discussion3$ $exercise1$ > In micro-blackjack, you repeatedly draw a card (with replacement) that is equally likely to be a 2, 3, or 4. You can either Draw or...
策略迭代
• MDP, Re-Le
策略迭代 策略迭代是一种用于在马尔可夫决策过程中寻找最优策略 $\pi^$ 的算法。与值迭代相比，策略迭代通常能够更快地收敛，因为它直接优化策略，而策略的收敛速度往往比值的收敛速度快得多。 该算法的核心思想是：从一个任意的初始策略开始，通过一个迭代循环不断优化它，直到策略不再发生变化为止。每一次迭代都包含两个核心步骤...
价值迭代
• MDP, Re-Le
价值迭代 价值迭代 (Value Iteration) 是一种经典的动态规划算法，用于在已知的马尔可夫决策过程中，计算所有状态的最优价值函数 $V^(s)$。其核心思想是通过迭代的方式，不断更新每个状态的价值，直到价值收敛为止。 1. 核心思想 算法通过引入“时间限制”的概念，从一个有限的未来开始，逐步扩展到无限的未...
贝尔曼方程
• MDP, Re-Le
贝尔曼方程 1. 马尔可夫决策过程 与在确定的搜索问题中寻找一个通往目标状态的最优“计划”不同，解决一个马尔可夫决策过程意味着寻找一个最优策略 (Optimal Policy)。 策略 $\pi$ 是一个从状态 $s \in S$ 到动作 $a \in A$ 的映射，即 $\pi: S \to...
马尔可夫决策过程
• MDP, Re-Le
马尔可夫决策过程 1. 相关概念 马尔可夫决策过程（Markov Decision Processes, MDP）为智能体在不确定性环境中进行决策提供了一个数学模型。其核心思想是，智能体的下一个状态只与当前状态和所选动作有关，而与之前的历史无关。 一个MDP由以下几个关键部分定义： -...