强化学习--QLearning

1.概述：

QLearning基于值函数的方法，不同与policy gradient的方法，Qlearning是预测值函数，通过值函数来选择

值函数最大的action，而policy gradient直接预测出action。

Q-learning 是一种基于值函数估计的强化学习方法，Policy Gradient是一种策略搜索强化学习方法。

两者是求解强化学习问题的不同方法，如果熟悉监督学习，

前者可类比Naive Bayes——通过估计后验概率来得到预测，

后者可类比SVM——不估计后验概率而直接优化学习目标。

目标就是选择出最佳action。

2一些定义

2.1值函数

Given an actor π, it evaluates how good the actor is 

有2种值函数，V(S) 、Q(s,a).

2.1.1 V(S)

有2种衡量的方法：

MC方法只能等玩完一个episode才能进行统计评价，效率比较低。

TD方法可以每玩一步就更新一次。

 mc与td对比，mc需要估计的是一个episode的值函数，方差比较大，而td是与时间相关的，只有r是需要估计的，方差比较小。

下面看一下例子：

V(Sb)=6/8=1

MC:  V(Sa)=0/2=0

TD: V(Sa)=V(Sb)+0=3/4

 2.1.2 Q(s,a）

我们可以评估，在当前状态s，采取行动a，在接下来的游戏中获得得奖励累计和的期望为Q(s,a)。但在接下来的游戏中，

不一定采取行动a,而是采取Q值最大的行动。

下图中1，无论采取那个行动都无所谓，因为离球还很远，而图2离球比较近了，我们需要向上接到球，接下来游戏才能获得奖励。

 3 怎么用

我们利用PI去与环境互动，得到一些互动数据，通过TDorMC的方法去更新Q（s,a）的参数，

根据更新后的Q，我们选择一个更好的pi_new,然后把pi更新为pi_new，再去与环境互动。

tips:pi_new 是完全取决于Q，没有新参数。

3.1 target network

3.2 Epsilon Greedy 

如果我们只选择Q值最大的action，如果碰巧其他的action没有被采样到，这样其他的action将更不会被选择，

并不是他们不好，所以需要打破这种循环，我们以一定的几率选择Q最大的，还有几率选择其他的action。

 3.3 Replay Buffer

我们将历史数据存到Buffer里，然后训练的时候随机选一批，还要定期更新Buffer

 3.4 完整算法

 4 QLeaning 进阶

参考：

链接：https://www.zhihu.com/question/49787932/answer/124727629

https://www.youtube.com/watch?v=2-zGCx4iv_k&list=PLJV_el3uVTsODxQFgzMzPLa16h6B8kWM_&index=4