策略迭代(Policy Iteration)

1. 策略迭代算法:

  1. 初始化\hat{V}(s)=0.
  2. 策略評(píng)估:(一般而言咸产,下式中\pi(s,a)為固定策略由于策略更新)
    V^{(k+1)}(s) \leftarrow \sum_{a \in A} \pi(s, a) \sum_{s^\prime \in S}\Pr(s^\prime | s, a)(r(s,a) + V^{k}(s^\prime)) \quad \forall s \in S
  3. 策略更新:
    \pi(s) \leftarrow \arg \max_{a} (R(s) + \gamma \sum_{s^\prime \in S} \Pr(s^\prime|s, a) V^\pi(s)) \quad \forall s \in S
  4. 如果\pi(s)與上次迭代相比沒有變化奢浑,則停止饮焦;否則琼掠,轉(zhuǎn)回2拒垃。

2. 策略改進(jìn)分析

(Lemma 1)策略更新可以使得V(s)單調(diào)遞增,最終收斂于V^*(s)瓷蛙。

假設(shè)第k次迭代前的策略為\pi^k, 迭代后的策略為\pi^{k+1}. 而\pi^{k+1}Q^\pi(s)下的貪婪策略悼瓮。所以需要證明,V^{k+1}(s) \geq V^k(s) \quad \forall s \in S.

下面證明更加通用的定理:

(Lemma 2)對(duì)任意的\pi\pi'艰猬,并且對(duì)于任意的s \in S,

V^{\pi'}(s) - V^\pi (s) = \frac{1}{1-\gamma} \mathbb{E}_{s' \sim \eta^{\pi'}_{s'}}[A^\pi(s', \pi')] \geq 0.
這里\eta^{\pi'}_{s'}是折扣的state occupancy横堡,由\pi'從起始狀態(tài)s引入。

Proof:

考慮一個(gè)策略序列\{\pi_i\}, 其中\pi_0=\pi, \pi_{\infty}=\pi'冠桃。 對(duì)于任意中間的0 \leq i \leq \infty, \pi_i是一個(gè)隨時(shí)間變化的策略命贴,前i個(gè)時(shí)間步采用策略\pi'而后面的時(shí)間步采用策略\pi
根據(jù)差分求和食听,有胸蛛,
V^{\pi'}(s) - V^\pi (s) = \sum_{i=0}^{\infty}[V^{\pi_{i+1}}(s) - V^{\pi_i}(s)]

策略集π.png

可見\pi_{i+1}\pi_i僅在s=s_{i+1}上的動(dòng)作選擇有差異,所以兩者的值函數(shù)差異就體現(xiàn)在\pi_{i+1}(s=s_{i+1}) = \arg\max_{a} Q^\pi(s=s_{i+1}, a)
所以
\begin{align*} V^{\pi'}(s) - V^\pi (s) &= \sum_{i=0}^{\infty} \gamma^i \sum_{s' \in S} \mathbb{P}[s_i=s'|s_1=s, \pi'](Q^\pi(s', \pi'(s'))-Q^\pi(s', \pi(s))) \\ &= \sum_{i=0}^{\infty} \gamma^i \sum_{s' \in S} \mathbb{P}[s_i=s'|s_1=s, \pi']A^\pi(s', \pi') \\ &= \frac{1}{1-\gamma} \eta^{\pi'}_s(s') A^\pi(s', \pi') \\ &= \frac{1}{1-\gamma} \mathbb{E}_{s' \sim \eta^{\pi'}_{s'}}[A^\pi(s', \pi')] \\ &\geq 0 . \end{align*}
綜上樱报,策略提升得證葬项。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市迹蛤,隨后出現(xiàn)的幾起案子民珍,更是在濱河造成了極大的恐慌,老刑警劉巖盗飒,帶你破解...
    沈念sama閱讀 211,042評(píng)論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件嚷量,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡逆趣,警方通過查閱死者的電腦和手機(jī)津肛,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 89,996評(píng)論 2 384
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)汗贫,“玉大人身坐,你說我怎么就攤上這事÷浒” “怎么了部蛇?”我有些...
    開封第一講書人閱讀 156,674評(píng)論 0 345
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)咐蝇。 經(jīng)常有香客問我涯鲁,道長(zhǎng),這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,340評(píng)論 1 283
  • 正文 為了忘掉前任抹腿,我火速辦了婚禮岛请,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘警绩。我一直安慰自己崇败,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,404評(píng)論 5 384
  • 文/花漫 我一把揭開白布肩祥。 她就那樣靜靜地躺著后室,像睡著了一般。 火紅的嫁衣襯著肌膚如雪混狠。 梳的紋絲不亂的頭發(fā)上岸霹,一...
    開封第一講書人閱讀 49,749評(píng)論 1 289
  • 那天,我揣著相機(jī)與錄音将饺,去河邊找鬼贡避。 笑死,一個(gè)胖子當(dāng)著我的面吹牛予弧,可吹牛的內(nèi)容都是我干的刮吧。 我是一名探鬼主播,決...
    沈念sama閱讀 38,902評(píng)論 3 405
  • 文/蒼蘭香墨 我猛地睜開眼桌肴,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼皇筛!你這毒婦竟也來(lái)了琉历?” 一聲冷哼從身側(cè)響起坠七,我...
    開封第一講書人閱讀 37,662評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎旗笔,沒想到半個(gè)月后彪置,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,110評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡蝇恶,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,451評(píng)論 2 325
  • 正文 我和宋清朗相戀三年拳魁,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片撮弧。...
    茶點(diǎn)故事閱讀 38,577評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡潘懊,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出贿衍,到底是詐尸還是另有隱情授舟,我是刑警寧澤,帶...
    沈念sama閱讀 34,258評(píng)論 4 328
  • 正文 年R本政府宣布贸辈,位于F島的核電站释树,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜奢啥,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,848評(píng)論 3 312
  • 文/蒙蒙 一秸仙、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧桩盲,春花似錦寂纪、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,726評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至姑曙,卻和暖如春襟交,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背伤靠。 一陣腳步聲響...
    開封第一講書人閱讀 31,952評(píng)論 1 264
  • 我被黑心中介騙來(lái)泰國(guó)打工捣域, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人宴合。 一個(gè)月前我還...
    沈念sama閱讀 46,271評(píng)論 2 360
  • 正文 我出身青樓焕梅,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親卦洽。 傳聞我的和親對(duì)象是個(gè)殘疾皇子贞言,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,452評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容

  • 一. 增強(qiáng)學(xué)習(xí)簡(jiǎn)介 1.1 什么是增強(qiáng)學(xué)習(xí)? 機(jī)器學(xué)習(xí)的算法可以分為三類:監(jiān)督學(xué)習(xí)阀蒂,非監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)该窗。 增強(qiáng)學(xué)...
    阿阿阿阿毛閱讀 31,099評(píng)論 0 25
  • 參見貪心算法——最短路徑Dijkstra算法參見動(dòng)態(tài)規(guī)劃 目錄 0.最短路徑問題0.1 最短路徑問題描述?0.1....
    王偵閱讀 4,793評(píng)論 1 9
  • 前面的文章主要從理論的角度介紹了自然語(yǔ)言人機(jī)對(duì)話系統(tǒng)所可能涉及到的多個(gè)領(lǐng)域的經(jīng)典模型和基礎(chǔ)知識(shí)。這篇文章蚤霞,甚至之后...
    我偏笑_NSNirvana閱讀 13,881評(píng)論 2 64
  • 杭州從不缺雨酗失,從春天開始就淅淅瀝瀝下個(gè)不停。 午時(shí)烏云密布昧绣,頃刻間就是一場(chǎng)痛快的陣雨规肴,可還未等那樹葉將撐沉重的雨珠...
    滿塘春閱讀 164評(píng)論 0 0
  • 下午看到賈靜雯要補(bǔ)辦婚禮的新聞拖刃。她不是已經(jīng)跟現(xiàn)在的老公生了兩個(gè)小孩嗎? 雖然她現(xiàn)在不火贪绘,也就靠炒炒老公兑牡、小孩的新聞...
    芳芳姐姐閱讀 648評(píng)論 1 3