在Andrew Ng的拟合值迭代算法中,我给出了以下详细步骤,它将尝试在步骤3中找到一个状态s(i)的最佳操作。当代理处于s(i)时,我们执行可能的动作a(1),我们转到s(i)'。
我的问题是我们如何才能再次还原为s(i)并执行第二种可能的动作a(2)?假设我们使用这种算法来控制直升机,我认为我们不能轻易地将状态还原。
1. Randomly sample m states s(1), s(2), . . . s(m) ∈ S.
2. Initialize θ := 0.
3. Repeat {
For i = 1, . . . , m {
For each action a ∈ A {
Sample s′ 1, . . . , s′ k ∼ Ps(i)a (using a model of the MDP).
Set q(a) = k1 Pk j=1 R(s(i)) + γV (s′ j)
// Hence, q(a) is an estimate of R(s(i))+γEs′∼P
s(i)a[V (s′)].
}
Set y(i) = maxa q(a).
// Hence, y(i) is an estimate of R(s(i))+γ maxa Es′∼P
s(i)a[V (s′)].
}
// In the original value iteration algorithm (over discrete states)
// we updated the value function according to V (s(i)) := y(i).
// In this algorithm, we want V (s(i)) ≈ y(i), which we’ll achieve
// using supervised learning (linear regression).
Set θ := arg minθ 1 2 Pm i=1 θT φ(s(i)) − y(i)2
}
答案 0 :(得分:0)
请注意,第4.2.2节中描述的您所引用的算法是 4.2节的一部分。值函数逼近。第一部分是 4.2.1使用模型或仿真。
在第一部分中,我们可以阅读:
要开发一个值函数近似算法,我们将假设 我们拥有MDP的模型或模拟器。非正式地,一个模拟器 是一个黑匣子,将任何(连续值)状态
s_t
用作输入,并且 操作a_t
,并输出根据状态采样的下一个状态s_{t+1}
转移概率P_{s_t, a_t}
因此,该算法假设您可以使用模型/模拟器来模拟您将所有可能的动作应用于同一状态。如您所知,如果您拥有像直升机这样的真实环境(例如,既没有模型也没有模拟器),则无法对同一状态应用多个动作,因为在应用动作后状态会发生变化。>