Markov Reward Processes

任何部分可观测问题都可以转化为马尔可夫过程 MDP化

• Markov Property
• 状态转移概率 -> 矩阵 告诉我们在当前状态下,有多大概率到达哪个state
• a tuple(S,P)
• non-stationary MDP 不稳定的动态过程 如概率变化

Reward

• a tuple (S, P, R, γ)
• return G 强化学习的目标 γ:折扣因子 所有的returns都是有限的
• value function v(s) -> 长期的reward 期望值
• Bellman方程 矩阵表示： v = R + γPv (P为状态转移概率矩阵) -> 线性方程 可求解v

Action空间

• a tuple (S, A, P, R, γ)
• A：有限action的集合
• policy：完全定义agent的行为 -> 决策概率 vs 环境的状态转移概率
• v_Π(s)：基于当前policy下的value function
• 在s状态下的一个action可能到达s1，也可能到达s2
• 离开一个state时，采取不同的action可能得到不同的reward
• “你采取一个action，环境就给你掷一个骰子，告诉你在哪个state结束”

Best policy

• v_*(s) = max_Π v_Π(s)
• v_Π(s) 是在policy下 各个action对应的 q_Π(s, a) 价值的期望
• Optimal policy -> “好”意味着更大的v_Π(s)
• 定理：MDP中至少存在一个唯一的policy(q*) 是最佳policy，意味着它优于或至少和其他的policy一样好
• q*是我们最想得到的最终目的值
• 由v计算q -> 由q计算v
• value最大值的迭代Ballman方程非线性 需要采用其他方式求解：
  -Value Iteration
  -Policy Iteration
  -Q-learning
  -Saras

标签：概率,policy,tuple,角度看,state,RL,MDP,action
来源： https://blog.csdn.net/weixin_43977768/article/details/100667266