51cto强化学习（1）马尔可夫与贝尔曼方程学习笔记
马尔可夫决策的要求：
1，能够检测到理想状态：比如我们想让强化学习算法来实现走迷宫，最后这个迷宫一定是可以走出的，倘若迷宫没有出口便不可以套用马尔可夫。
2，可以多次尝试：依然使用走迷宫的例子，我们可以在走迷宫失败的时候进行多次尝试，而不是失败以后就停止。
3，系统的下个状态只和当前状态信息有关，而和之前的更早的状态无关，在决策的过程中还和当前采取的动作有关：马尔可夫的条件是，下一个状态st+1仅仅和st有关而和st-n（n>0）无关，同时还和st状态下的行动at有关。仅仅和st和at是有关的。例如走迷宫这个问题，下一步的状态（位置）仅仅和当前的位置和当前走的方向有关，和其余都是没关系的。
在此解释一下P，R，y的概念：
P：例如当前状态s下，可以经过动作a1到达状态s1，经过动作s2到达状态s2。智能体agent在状态可以执行动作a1也可以执行a2，并且两者各自有自身的概率，而P便是反应这种概率的。p（s1|s，a1）就是反应“在s状态下执行动作a1到达状态s1的概率”，同理“p（s2|s，a2）就是反应”在s状态下执行动作a2到达状态s2的概率”
R：智能体在执行动作后，会得到即时奖励的集合。举例说明：小明现在写作业便会得到一块糖吃，小明现在看电视就会被拿走一块糖，那么两者的即时奖励就是{+1糖，-1糖}
y：衰减系数γ，系数γ是一个介于0和1之间的数字。反应的是未来的奖励和现在的奖励之间的衰减关系。举例说明，现在10元钱可以买10个鸡蛋，但是未来十元钱可能只能买5个鸡蛋，但是我们无法知道未来的情况，所以我们假设衰减系数γ是0.5。就是用现在的情况来预计未来的情况
马尔可夫过在我理解就是：智能体在状态s0下选择动作a0，到达状态s1；s1下智能体选择a1到达状态s2；以此类推。
在状态s下选择什么动作，我认为是根据p来选择的。
状态价值函数：在t时刻，状态s下所能得到未来回报的期望，用来衡量每一个状态或者动作-状态的优劣。
强化学习的根本目的就是获得最大的累计奖励，而状态价值函数就是用来描述累计奖励的量。
策略：策略其实是一个动作的集合，例如“把大象放进冰箱需要三步：打开冰箱门，把大象放进去，关上冰箱门”这就是一个策略，一个动作的集合。
最优价值函数：其实就是所有的策略中，最高的累积收益。策略有很多，累计收益也各不相同，最优价值函数反应的就是累计收益最高的那个。
贝尔曼方程：将当前的价值分解为当前的即时奖励和下一步的价值。类似于一个迭代的过程，自举的过程。
在贝尔曼方程中，我们要求，状态集合S和动作集合A都是有限的，因为有限的我们可以通过数学方法，计算期望。下面解释一下以上公式中的各个量：
Π：反应的是当前状态s下，所选择各个不同动作a的概率
p：反应的是在当前状态下，选择动作a进入到下一个状态的概率
依旧，贝尔曼方程的含义仍然是：当前的价值等于当前的即时价值，加上下一个状态的价值，但是下一个状态的价值要乘以一个衰减系数γ，因为未来都会存在衰减。
公式第一项就是：所有即时奖励的期望。Π（当前状态s下，所选择各个不同动作a的概率）乘以r（即时奖励）得到的就是即时奖励的期望
公式的第二项就是：下一步价值的期望。p(在当前状态下，选择动作a进入到下一个状态的概率)乘以v(下一个状态的价值)得到的就是下一步价值的期望。
两项加在一起就是当前的价值
通过实例来理解贝尔曼方程：
图中每一个圆形代表一个状态，而方块代表的是终止状态。我们下面用贝尔曼方程计算红色圆形的价值
可见红色圆形可以向上走到达最终状态，也可以向下走到达小圆点状态。我们假设两个动作的概率都是0.5
向上走：即时奖励可见是R+10，但是到达最终状态以后没有下一步状态，所以向上走的价值就是向上走的概率乘以向上走的即时奖励，也就是0.5*10
向下走：即时奖励就是R+1，向下走以后没有到达最终状态，所以我们还要继续看下一步状态。可见走到小圆点以后还有三种状态，其概率分别为0.2，0.4，0.4，他们各自对应的下一步价值分别是-1.3，2.7，7.4。所以向下走的价值便是：概率*即时奖励+概率*下一步的价值
最后的公式就是图中最上面的黑色字体（本例中忽略衰减系数γ）
51cto强化学习（1）马尔可夫与贝尔曼方程学习笔记相关推荐
- 隐马尔可夫模型HMM学习备忘
隐马尔可夫模型HMM学习备忘 目录 隐马尔可夫模型HMM学习备忘 1.马尔可夫模型的理解 2.隐马尔可夫模型 2.1.HHM的组成 2.2.HMM解决的三个基本问题 隐马尔可夫模型示意图如图[1]: ...
- 贝尔曼方程动态规划python,【强化学习】马尔科夫决策过程之Bellman Equation（贝尔曼方程）...
前面总结了马尔科夫决策过程之Markov Processes(马尔科夫过程),见下文:马尔科夫决策过程之Markov Processes(马尔科夫过程) 马尔科夫决策过程之Markov Reward ...
- 【强化学习系列】超详细整理实用资料——1 强化学习概述（包含马尔科夫、贝尔曼方程、蒙特卡洛、时间差分法）
文章目录 前言 强化学习通用工作方式(敲重点!!) 几个重要概念 工作流程 模型通用设计要点(每个模型都需要注重的点) 强化学习适用场景 马尔科夫 马尔可夫链 马尔可夫随机过程 马尔可夫决策过程(敲重 ...
- 强化学习——day11 马尔科夫决策过程MDP
第 3 章 马尔可夫决策过程 3.1 简介 马尔可夫决策过程(Markov decision process,MDP)是强化学习的重要概念.要学好强化学习,我们首先要掌握马尔可夫决策过程的基础知识.前 ...
- 强化学习——day13 马尔科夫决策过程MDP
马尔科夫决策过程 简介 马尔可夫过程 随机过程 马尔可夫性质 马尔可夫过程 马尔可夫奖励过程 回报 价值函数 马尔可夫决策过程 策略 状态价值函数 动作价值函数 贝尔曼期望方程 蒙特卡洛方法 占用度量 ...
- 【机器学习】强化学习：马尔科夫决策过程(Markov decision process)
本章是强化学习的基础,主要讲的就是马尔科夫决策过程,以后的内容都是以这一节为基础的,所以对本节的相关概念的理解是很重要的. 这一节的概念比较多,也是后面章节的基础,一开始笔者也是一头雾水,只有多看几遍 ...
- 强化学习(part2)--马尔科夫决策
学习笔记,仅供参考,有错必纠 文章目录 马尔科夫决策 马尔科夫决策要求 马尔科夫决策过程由5个元素构成 状态转移过程 状态价值函数 最优价值函数 Bellman方程 马尔科夫决策 马尔科夫决策要求 能 ...
- 强化学习note1——马尔科夫奖励过程MRP和马尔科夫决策过程MDP各个函数的定义与区别
马尔科夫奖励过程MRP 状态转移函数:P(St+1=s′∣st=s)P\left(S_{t+1}=s^{\prime} \mid s_{t}=s\right)P(St+1=s′∣st=s) 奖励函 ...
- 强化学习之马尔科夫过程与马尔科夫链（附py代码，因为是自己打的，没完成的功能慢慢打）
1.马尔可夫过程 1.1马尔可夫性或无后效性 马尔可夫过程最显著的特点是:如果在已知目前过程状态的条件下,过程未来的演变不依赖于它以往的演变. 即当随机过程时刻 ti 的状态已知的情况下,过程在t & ...
最新文章
- c语言程序检测进程pid,C语言实现由PID获取进程名由进程名获取PID
- POJ - 1091 跳蚤(容斥原理+数论)
- 使用 TDD 测试驱动开发来构建 Laravel REST API
- 数列分块入门 (1 ~ 7)
- 地图上探测器扫描到的范围（洛谷P3717题题解，Java语言描述）
- 计算机字符代码表,计算机ASCII码对照表
- 【黑马程序员】————预处理指令2-文件编译
- Mr.Panda and TubeMaster Gym - 101194J （二分染色有源汇上下界最大费用流）
- Android之Adapter用法总结-（转）
- 转换动态磁盘到普通磁盘
- 电脑x64和x86安装软件的区别讲解分享
- PHP在线运行，在线编译
- 关于CSS小三角的实现,小三角边框的实现，IE6下CSS小三角非透明的情况
- Elasticsearch：从搜索中获取选定的字段 fields
- 制作一个简单的选项卡插件
- 锦上添花之元音音标学习（下）
- 学生宿舍管理mysql设计_学生宿舍管理系统的设计与实现(PHP,MySQL)(含录像)
- python pyqtgraph绘图库-绘制图形
- CSS3小案例之安卓机器人
- 数据的处理之工具推荐(MATLAB、Python、Panoply、CDO、NCL)