知识卡片
确定性目标用带噪行为探索
固定确定性策略在同一状态总输出同一动作,确定性环境中从同一起点反复执行可能只看见同样的经历。训练可以令行为是策略动作加噪声再裁剪到合法范围,评论家估计的目标仍按确定性策略继续执行。行为在合法动作空间中实际访问到哪些区域,决定评论家能否为目标动作给出可信的局部反馈。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 确定性策略梯度 10.2.2 离线策略确定性AC · 查看原书依据
确定性策略算法在进行强化学习时,存在一个问题:给定状态s和策略参数时,动作是固定的。也就是说,当初始状态确定,通过确定性策略所产生的轨迹永远都是固定的,智能体无法探索其他的轨迹或访问其他的状态。为了确保在使用确定性策略梯度方法的前提下,依然能够对状态进行充分探索,我们引入了离线策略学习方法。即:行动策略是随机策略,评估策略是确定性策略。
参考来源
- 位置:《强化学习》第10章《确定性策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-019.xhtml#isbn9787302538295_10_1_1_4`)
- 结论依据:原文区分随机行为策略和确定性目标,钟摆代码展示在策略输出上加噪与裁剪。
- 原始内容:确定性策略算法在进行强化学习时,存在一个问题:给定状态s和策略参数时,动作是固定的。也就是说,当初始状态确定,通过确定性策略所产生的轨迹永远都是固定的,智能体无法探索其他的轨迹或访问其他的状态。为了确保在使用确定性策略梯度方法的前提下,依然能够对状态进行充分探索,我们引入了离线策略学习方法。即:行动策略是随机策略,评估策略是确定性策略。