二、无模型算法

        RL 算法可分为基于模型的算法和无模型算法。在无模型RL中，我们不知道也不想学习系统动力学

        或者，我们只是不在乎，因为该方法不需要状态转换的知识。我们对行动进行抽样并观察相应的奖励，以优化政策或拟合价值函数。

        无模型 RL 分为策略优化或价值学习：

        以下是每个类别中的一些高级说明：

• 值迭代 — 值迭代使用动态规划以迭代方式计算值函数。

从源代码修改

• 策略迭代 — 我们计算价值函数，并在替代步骤中优化策略。

源

• 价值学习/Q-学习（例如DQN，Q学习，TD，拟合值迭代）- 如果没有明确的策略，我们将价值函数或Q值函数迭代拟合，与非策略采取的行动下观察到的奖励，例如ε贪婪策略，它根据Q值函数选择操作，有时选择随机操作进行探索。

• 策略梯度（例如 REINREINFORCEMENT、TRPO、PPO） — 我们使用奖励的梯度上升来优化策略，w.r.t. 策略参数 θ。直观地说，它逐渐改进了政策，使特定状态下的高回报行动更有可能。

• 参与者-批评者（例如 A3C、SAC）—策略梯度方法中的梯度可以由参与者来决定采取什么操作，批评者来估计值或 Q 函数。参与者-批评者方法主要是一种政策梯度方法，其优势函数由观察到的奖励和批评者网络计算。在这种方法中，我们迭代拟合批评者（值函数或Q函数）和参与者。

• 进化 — 我们从随机策略开始。我们采取行动并观察奖励。我们进行许多猜测（行动），并保留那些奖励更高的猜测（行动）。通过重复这个过程，我们允许更有前途的解决方案发展和成熟。

源

三、基于模型的强化学习

对于基于模型的RL，我们从系统动力学（模型）和成本函数开始，以做出最佳决策。

• 轨迹优化（例如 iLQR）— 使用模型和成本函数规划最佳操作（最佳策略）的最佳控制器。

• 蒙特卡罗树搜索 （MCTS） — MCTS 是离散控制空间中的轨迹优化。MCTS 搜索可能的移动并将结果记录在搜索树中。它使用 Q 值函数来利用有希望的行动，并添加探索加成以实现更好的探索。最终，它会在确定下一步行动时构建本地策略。

• 反向传播（例如PILCO） — 如果成本函数和模型已知，我们可以通过成本函数和模型使用反向传播来改进策略。

• 模仿最优控制（例如引导策略搜索）—我们使用类似于轨迹优化的概念训练最优控制器。但与此同时，我们使用最优控制器生成的采样轨迹来创建策略π（下面的红框）。

从源代码修改

• 规划（例如 Dyna）— Dyna 使用真实经验来拟合价值函数（步骤 d），并在步骤 e 的“模型”中记录动态过渡和奖励。现在，我们可以随机重播“模型”的经验（步骤 f）以进一步训练值函数。

源

源

四、目的

        无模型和基于模型的强化学习都会优化操作，以最大化预期奖励。

五、价值学习

        价值学习使用监督学习来拟合抽样奖励中的 Q 值或 V 值。

        局限性：

• 最小化错误拟合：不直接优化最终策略。
• 当使用值函数的非线性近似器时，不能保证收敛。
• 如果值函数是近似的，而不是精确计算它，则存在稳定性问题。它可以通过像 DQN 中的方案那样来缓解。
• 许多超参数：目标网络延迟、重放缓冲区大小以及对学习速率的敏感性。

六、策略梯度

        策略梯度使获得高回报的行动的可能性最大化。

        为了稳定训练，我们用基线减去预期奖励以减少方差。

基线的一个常见选择是 V（S）。以下是定义：

强度：

• 直接优化策略。
• 与深度学习模型（包括 RNN）配合良好的梯度下降解决方案。
• 可以轻松地为目标函数添加约束和激励。

局限性

• 高方差。策略梯度是干扰的 - 若要缓解问题，请使用更大的批大小或信任区域。
• 难以调整的学习率 - 使用亚当或自然政策梯度方法，如PPO。
• 样品效率差 — 需要大量样品。
• 预期奖励的基线设计可能很复杂。
• 没有将问题完全定义为优化问题。

蒙特卡洛政策梯度

以下是策略梯度的算法，它使用完整的剧集推出（蒙特卡罗方法）来评估总奖励。

七、TRPO

        策略梯度可能会进行激进的策略更改，从而破坏训练进度。TRPO是一种使用自然政策梯度的策略梯度方法。它使用信任区域来限制每次迭代中的策略更改，以实现更安全、更好的决策。

源

限度：

• TRPO中的共轭梯度很复杂，计算成本很高。
• H 的计算用于测量政策模型参数 θ 的曲率，它不能很好地与表达性政策模型（如 CNN 和 RNN）相适应。它在Atari基准测试中表现不佳。

八、PPO

        PPO类似于TRPO。它稍微放宽了策略更改限制，因此可以使用更快的一阶优化器，而不是计算二阶导数。

源

九、演员兼评论家

        参与者-批评者方法是一种具有价值学习的策略梯度方法，以最小化预期奖励的方差。此更改稳定了训练。

十、基于模型的强化学习

        基于模型的强化学习从系统动力学（模型）和成本函数开始，以找到最佳控制。控制与此处的操作具有相同的含义。一旦训练了最佳控制器，我们仅使用它来采取行动。但有时，任务的策略可能比模型更简单。如果这是真的，我们可以使用模型和进一步规划来创建示例来训练策略（引导式策略搜索）。我们还可以使用经过训练的模型生成样本来学习价值函数（Dyna）。

        基于模型的 RL（无显式策略）

        我们使用采样轨迹拟合模型，并使用轨迹优化来规划进行最佳控制的控制器。

        在规划中：

• 对于连续空间，请使用轨迹优化。
• 对于离散空间，请使用蒙特卡罗树搜索等方法。

        局限性

• 专注于构建更好的模型。但更好的模式并不等同于更好的政策。

        基于模型的RL（通过反向传播进行策略学习）

弱点

• 轨迹内的状态和操作高度相关。因此，计算出的梯度往往会自我放大。它可能会严重遭受消失和爆炸问题。

        引导式策略搜索全球定位系统

        GPS 使用轨迹优化来优化控制器。然后，我们运行控制器来生成轨迹，以便我们可以使用监督学习来学习策略。

从源代码修改

        强度

• 在某些问题域中，策略比模型更容易学习。

        动态

        我们使用真实经验训练模型。稍后，我们使用经过训练的模型生成样本，以更好地学习 Q 值函数。

        使用基于样本的计划进行基于模型的 RL（来源)

参考文章：

RL — Reinforcement Learning Algorithms Overview | by Jonathan Hui | Medium