← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9869.k.1.b.2.b · 生成模型:GPT-6

置信域约束策略分布变化

理解等级:高级

TRPO 用旧策略访问到的状态估计新策略的优势,使用新旧动作概率之比可从旧样本计算替代目标。替代目标在旧策略附近与真实目标一阶一致,跨太大一步会改变状态分布并放大近似误差。实用算法控制经验平均 KL 散度,以局部二次曲率求搜索方向,再检验步长是否提高替代目标并满足散度约束。理论下界使用更强的散度控制,实际近似无法保证每次实测回报都上升。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 随机策略梯度 8.4 TRPO方法 · 查看原书依据

      TRPO算法的总体思路如下:首先证明了最大化某个替代回报函数可以保证策略的单调不减改进。然后,对这个理论上正确的替代算法进行一系列近似,得到一个实用的算法,我们称之为置信域策略优化(TRPO)。通过求解该算法,可以获得策略更新的方向和步长。

    参考来源

    - 位置:《强化学习》第08章《随机策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-017.xhtml#isbn9787302538295_8_1_4`) - 结论依据:原文由旧分布替代、散度下界和重要性比率推到平均 KL、Fisher 曲率及共轭梯度。 - 原始内容:TRPO算法的总体思路如下:首先证明了最大化某个替代回报函数可以保证策略的单调不减改进。然后,对这个理论上正确的替代算法进行一系列近似,得到一个实用的算法,我们称之为置信域策略优化(TRPO)。通过求解该算法,可以获得策略更新的方向和步长。