《强化学习简介.pptx》由会员分享，可在线阅读，更多相关《强化学习简介.pptx（48页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、11什么是机器学习（Machine Learning）？机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。1959年美国的塞缪尔设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。第1页/共48页22机器学习的分类？机器学习监督学习：计算机获得简单的输入给出期望的输出，监督学习：计算机获得简单的输入给出期望的输出，过程是
2、通过一个过程是通过一个“训练模型训练模型”，学习通用的准则来从，学习通用的准则来从输入映射到输出输入映射到输出。无监督学习：没有给出标记用来学习算法，让它自己无监督学习：没有给出标记用来学习算法，让它自己去发现输入的结构。无监督学习自己可以被当成一个去发现输入的结构。无监督学习自己可以被当成一个目标或者一个实现结果的途径（特征学习）。目标或者一个实现结果的途径（特征学习）。强化学习：一个计算机程序与动态环境交互，同时表强化学习：一个计算机程序与动态环境交互，同时表现出确切目标（比如驾驶一辆交通工具或者玩一个游现出确切目标（比如驾驶一辆交通工具或者玩一个游戏对抗一个对手）。这个程序的奖惩机制会作
3、为反馈，戏对抗一个对手）。这个程序的奖惩机制会作为反馈，实现它在问题领域中的导航。实现它在问题领域中的导航。第2页/共48页3强化学习（强化学习（reinforcement learning）与监督学习、）与监督学习、非监督学习的区别非监督学习的区别n没有监督者，只有奖励信号n反馈是延迟的，不是顺时的n时序性强，不适用于独立分布的数据n自治智能体（agent)的行为会影响后续信息的接收第3页/共48页4思考：思考：五子棋：棋手通过数学公式计算，发现位置五子棋：棋手通过数学公式计算，发现位置1比位置比位置2价值大，这是强化学习吗？价值大，这是强化学习吗？这不叫强化学习，叫规划这不叫强化学习，叫规
4、划如果通过几次尝试，走位置如果通过几次尝试，走位置1比走位置比走位置2赢棋赢棋的可能性大，得出经验，则为强化学习的可能性大，得出经验，则为强化学习第4页/共48页5强化学习模型强化学习模型几个定义几个定义自治智能体自治智能体Agent学习的主体，如小猫、小狗、人、机器人、控制程序等学习的主体，如小猫、小狗、人、机器人、控制程序等Agent的特点的特点1、主动对环境做出试探、主动对环境做出试探2、环境对试探动作反馈是评价性的（好或坏）、环境对试探动作反馈是评价性的（好或坏）3、在行动、在行动-评价的环境中获得知识，改进行动方案，达到评价的环境中获得知识，改进行动方案，达到预期目的预期目的 第5页
5、/共48页6奖励信号（rewards）奖励信号R是一个标量信号表示agent在步骤T中所产生动作好坏Agent的任务是最大化累积奖励信号第6页/共48页7强化学习模型强化学习模型第7页/共48页8例子例子图中黄点是机器人，目的是走到绿色的方块reward+1000，黑色方块是墙壁，撞到reward-10，红色方块是陷阱，撞到reward-1000，其他reward+0第8页/共48页9第9页/共48页10第10页/共48页11第11页/共48页12强化学习基本要素强化学习基本要素强化学习基本要素及其关系强化学习基本要素及其关系第12页/共48页13策略定义了策略定义了agent在给定时间内的行
6、为方式，在给定时间内的行为方式，一个策略就是从环境感知的状态到在这些状一个策略就是从环境感知的状态到在这些状态中可采取动作的一个映射。态中可采取动作的一个映射。可能是一个查找表，也可能是一个函数可能是一个查找表，也可能是一个函数确定性策略：确定性策略：a=(s)随机策略：随机策略：(a s)=PAt=a St=s第13页/共48页14回报函数是强化学习问题中的目标，它把环境中回报函数是强化学习问题中的目标，它把环境中感知到的状态映射为单独的一个奖赏感知到的状态映射为单独的一个奖赏回报函数可以作为改变策略的标准回报函数可以作为改变策略的标准第14页/共48页15值函数：一个状态起值函数：一个状态
7、起agent所能积累的回所能积累的回报的总和。报的总和。在决策和评价决策中考虑最多的是值函数在决策和评价决策中考虑最多的是值函数第15页/共48页16环境模型模拟了环境的行为，即给定一个状态和动作，模型可以预测必定导致的下一个状态和下一个奖赏。模型一般用于规划规划是算出来的，强化学习是试出来的第16页/共48页17马尔可夫过程马尔可夫奖励过程马尔可夫决策过程马尔科夫决策过程（马尔科夫决策过程（MDP）第17页/共48页18马尔科夫性：所谓马尔科夫性是指系统的下一马尔科夫性：所谓马尔科夫性是指系统的下一个状态个状态s(t+1)仅与当前状态仅与当前状态s(t)有关，而与以前有关，而与以前的状态无关
8、。的状态无关。马尔可夫过程定义：状态s(t)是马尔科夫的，当且仅当P St+1St =P St+1S1;:;St 第18页/共48页19对于一个马尔科夫状态对于一个马尔科夫状态s和接下来的状态和接下来的状态s,状态转状态转移概率定义为移概率定义为通常马尔科夫过程是一个二元组（S，P），且满足：S是有限状态集合，P是状态转移概率。状态转移概率矩阵为：第19页/共48页20第20页/共48页21以下状态序列称为马尔科以下状态序列称为马尔科夫链，假设从夫链，假设从C1开始开始第21页/共48页22第22页/共48页23对于游戏或者机器人，马尔科夫过程不足以描述其特点，因为不管是游戏还是机器人，他们都
9、是通过动作与环境进行交互，并从环境中获得奖励，而马尔科夫过程中不存在动作和奖励。第23页/共48页24马尔可夫奖励过程马尔可夫奖励过程马尔可夫奖励过程（MRP）是一种带有价值的马尔科夫链，由元组（S，P，R,）来表示S为有限的状态集P为状态转移概率R为奖励函数 为折扣因子，0,1 第24页/共48页25第25页/共48页26强化学习是找到最优的策略，这里的最优是指得到的总回报最大。当给定一个策略时，我们就可以计算累积回报。首先定义累积回报：第26页/共48页27当给定策略时，假设从状态C1出发，学生状态序列可能为：在策略下，可以计算累积回报G1，此时G1有多个可能值。由于策略是随机的，因此累积
10、回报也是随机的。为了评价状态s1的价值，我们需要定义一个确定量来描述状态s1的价值，很自然的想法是利用累积回报来衡量状态s1 的价值。然而，累积回报G1 是个随机变量，不是一个确定值，因此无法进行描述。但其期望是个确定值，可以作为状态值函数的定义。第27页/共48页28当智能体采用策略时，累积回报服从一个分布，累积回报在状态s处的期望值定义为状态值函数：第28页/共48页29例例第29页/共48页30例第30页/共48页31例第31页/共48页32例第32页/共48页33贝尔曼方程状态值函数可以分为两部分：瞬时奖励后继状态值函数的折扣值第33页/共48页34第34页/共48页35第35页/共4
11、8页36马尔可夫决策过程马尔可夫决策过程是一种带有决策作用的马尔科夫奖励过程，由元组（S，A，P，R,）来表示S为有限的状态集A为有限的动作集P为状态转移概率R为奖励函数 为折扣因子，0,1 第36页/共48页37第37页/共48页38策略策略是指状态到动作的映射，策略常用符号表示，它是指给定状态s时，动作集上的一个分布，即策略完全的表示智能体的运动策略完全的表示智能体的运动策略决定于当前状态，与历史状态无关策略决定于当前状态，与历史状态无关策略一般是固定的，不随时间变化策略一般是固定的，不随时间变化第38页/共48页39价值函数价值函数状态值函数状态值函数状态行为值函数状态行为值函数第39页/共48页40第40页/共48页41贝尔曼方程贝尔曼方程状态值函数贝尔曼方程：状态值函数贝尔曼方程：状态行为值函数贝尔曼方程：状态行为值函数贝尔曼方程：第41页/共48页42第42页/共48页43第43页/共48页44第44页/共48页45第45页/共48页46第46页/共48页47谢谢大家谢谢大家第47页/共48页48感谢您的观看。第48页/共48页