强化学习

✍ dations ◷ 2025-04-25 09:54:02 #强化学习
强化学习(英语:Reinforcement learning,简称RL)是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。这个方法具有普适性,因此在其他许多领域都有研究,例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。在运筹学和控制理论研究的语境下,强化学习被称作“近似动态规划”(approximate dynamic programming,ADP)。在最优控制理论中也有研究这个问题,虽然大部分的研究是关于最优解的存在和特性,并非是学习或者近似方面。在经济学和博弈论中,强化学习被用来解释在有限理性的条件下如何出现平衡。在机器学习问题中,环境通常被规范为马尔可夫决策过程(Markov decision processes,MDP),所以许多强化学习算法在这种情况下使用动态规划技巧。传统的技术和强化学习算法的主要区别是,后者不需要关于MDP的知识,而且针对无法找到确切方法的大规模MDP。强化学习和标准的监督式学习之间的区别在于,它并不需要出现正确的输入/输出对,也不需要精确校正次优化的行为。强化学习更加专注于在线规划,需要在探索(在未知的领域)和遵从(现有知识)之间找到平衡。强化学习中的“探索-遵从”的交换,在多臂老虎机(英语:multi-armed bandit)问题和有限MDP中研究得最多。基本的强化学习模型包括:规则通常是随机的。主体通常可以观察即时奖励和最后一次转换。在许多模型中,主体被假设为可以观察现有的环境状态,这种情况称为“完全可观测”(full observability),反之则称为“部分可观测”(partial observability)。通常,主体被允许的动作是有限的,例如,在棋盘中棋子只能上、下、左、右移动,或是使用的钱不能多于所拥有的。强化学习的主体与环境基于离散的时间步作用。在每一个时间 t {displaystyle t} ,主体接收到一个观测 o t {displaystyle o_{t}} ,通常其中包含奖励 r t {displaystyle r_{t}} 。然后,它从允许的集合中选择一个动作 a t {displaystyle a_{t}} ,然后送出到环境中去。环境则变化到一个新的状态 s t + 1 {displaystyle s_{t+1}} ,然后决定了和这个变化 ( s t , a t , s t + 1 ) {displaystyle (s_{t},a_{t},s_{t+1})} 相关联的奖励 r t + 1 {displaystyle r_{t+1}} 。强化学习主体的目标,是得到尽可能多的奖励。主体选择的动作是其历史的函数,它也可以选择随机的动作。将这个主体的表现和自始自终以最优方式行动的主体相比较,它们之间的行动差异产生了“悔过”的概念。如果要接近最优的方案来行动,主体必须根据它的长时间行动序列进行推理:例如,要最大化我的未来收入,我最好现在去上学,虽然这样行动的即时货币奖励为负值。因此,强化学习对于包含长期反馈的问题比短期反馈的表现更好。它在许多问题上得到应用,包括机器人控制、电梯调度、电信通讯、双陆棋和西洋跳棋。强化学习的强大能来源于两个方面:使用样本来优化行为,使用函数近似来描述复杂的环境。它们使得强化学习可以使用在以下的复杂环境中:强化学习需要比较聪明的探索机制,直接随机的对动作进行采样的方法性能比较差。虽然小规模的马氏过程已经被认识的比较清楚,这些性质很难在状态空间规模比较大的时候适用,这个时候相对简单的探索机制是更加现实的。其中的一种方法就是 ϵ {displaystyle epsilon } -贪婪算法,这种方法会以比较大的概率(1- ϵ {displaystyle epsilon } )去选择现在最好的动作。如果没有选择最优动作,就在剩下的动作中随机选择一个。 ϵ {displaystyle epsilon } 在这里是一个可调节的参数,更小的 ϵ {displaystyle epsilon } 意味着算法会更加贪心。

相关

  • 吸收吸收,在物理学上是光子的能量由另一个物体,通常是原子的电子,拥有的过程,因此电磁能会转换成为其它的形式,例如热能。波传导的过程中,光线的吸收通常称为衰减。例如,一个原子的价电
  • 萨尔瓦多面积以下资讯是以2016年估计家用电源国家领袖国内生产总值(购买力平价) 以下资讯是以2018年估计国内生产总值(国际汇率) 以下资讯是以2018年估计人类发展指数 以下资讯是以2018
  • 石经石经是中国古代朝廷刻在石碑上的儒家经典,作为经文的标准。传抄的经文与石经相比较,即可知正误。刻在石头上的佛经有时也称为石经。东汉熹平四年至光和六年(175~183)刻《熹平石经
  • 逻辑联结词在形式逻辑中,逻辑运算符或逻辑联结词把语句连接成更复杂的复杂语句。例如,假设有两个逻辑命题,分别是“正在下雨”和“我在屋里”,我们可以将它们组成复杂命题“正在下雨,并且我
  • 自然杀伤T细胞自然杀伤T细胞(Natural killer T cells),简称NKT细胞(NKT cells),是一类异质的T细胞,与T细胞和NK细胞(自然杀伤细胞)拥有部分相同的特征。许多NKT细胞都能识别非多型的CD1d(英语:CD1d)分
  • 榛果俪榛果俪(意大利语:Frangelico)是一款意大利皮埃蒙特大区库内奥省Canale市出产的榛子香草风味力娇酒,酒精浓度20%。20世纪80年代最初发布的时候,榛果俪的酒精浓度为24%。榛果俪的酒
  • 世界金融危机name = 'Transport', description = '交通', content = {{ type = 'text', text = [[]] }, { type = 'item', original = 'articulated bus', rule = 'zh-cn:铰接客车;zh-tw
  • 马斯特里赫特条约《马斯特里赫特条约》(法语:le traité de Maastricht,德语:Vertrag von Maastricht,英语:Maastricht Treaty),即《欧洲联盟条约》,于1991年12月9日至10日在荷兰的马斯特里赫特举行的
  • 滑坡谬误滑坡谬误(Slippery slope)是一种非形式谬误,使用连串的因果推论,却夸大了每个环节的因果强度,而得到不合理的结论,因为事实不一定照着线性推论发生,而有其他的可能性。一般所说的“
  • 塔拉里塔拉里(法语:Tarrare或Tarare,约1772年-1798年)是位法国军人和艺人,以异乎寻常的饮食习惯闻名。他总是饥肠辘辘,能够吃下海量的肉类。由于父母实在供养不起,所以他十几岁时就离开了