强化学习代码实战（1）

news2024/9/17 7:31:42

机器人领域：控制，规划，感知等都可以用，可以把它作为一个优化过程，那么任何需要优化的问题都可以用它解决。

1.应用

深度学习：智能感知，解决智能如何理解这个世界的问题。

强化学习：智能决策，解决智能体对这个世界做什么的问题。

相同点：都是从数据中学习，

不同点：深度学习需要静态的标签数据，强化学习需要动态（交互）的标签数据（宏观上），深度学习，主要识别和分类目标，强化学习解决最优决策问题。

2.单智能体强化学习

强化学习损失函数是回报，下图第一个式中，J是优化目标， $\mu ^{\pi }$ 是state分布， $\pi$ 是在状态s时选a的概率，R是在状态s时选a的回报。深度学习求解优化目标用梯度下降，但强化学习的损失函数无写出解析形式，所以成为一个对偶问题，也就是求最优值函数，用贝尔曼方程求解。

强化学习最开始是一种表格型方法，常用Q(s,a)表示，但很多任务中，s和a是无穷尽的，这就带来了维数灾难问题，导致计算机无法求解，后来就用CNN（卷积神经网络）拟合Q，出现了DQN，但DQN，有存在过优问题，后来用DDQN解决，在实际应用中，发现RNN（循环神经网络），在有些任务中效果更好，所以又出现了DRQN，在对数据进行学习时DQN一般是随机选择，但如果有策略性的选择数据，比方说用加权法，有时候效果更好，所以出现了Prioritized DQN，DQN中评估时只有值函数，后来又加入了优势值函数进行评估，得到了更好的效果，又出现了Dueling DQN，最后一个改变略显革命性，Distributioal DQN(分布式深度强化学习)，DQN中我们学习（优化）的目标是R的期望值，但累计回报误差很大，而分布式，是想把值函数的概率分布学习出来。

进一步对模型已知问题的求解，就是对HJB方程（偏微分）方程求解，偏微分方程一般没有数值解，除非是二次可解析的用最优控制（LQR）求解，二维以上这种方法就不能搞了，同样会遇到维数灾难问题，所以用神经网络逼近，于是出现了自适应动态规划方法（ADP）。以及后面的群智能和基于模型的强化学习方法（都是解决数据高维问题）。

对于模型未知，提出了策略搜索方法，首先提出策略梯度的方法（似然率），但这个方法，方差很大，所以又出现了值梯度方法，这种方法方差小(PG,PPO,SAC)。以及后面出现的基于AC（DDPG,A3C），基于统计的方法(MPO),所有的方法都是为了解决方法问题。

注意一下值梯度方法的公式。