SARSA: On-Policy-TD-Lernen
Wie bei den Monte-Carlo-Methoden können wir dem Rahmenwerk der generalisierten Politikiteration (GPI) folgen, um von der Schätzung von Wertfunktionen zum Erlernen optimaler Politiken überzugehen. Dieser Prozess bringt jedoch eine bekannte Herausforderung mit sich: den Trade-off zwischen Exploration und Ausbeutung. Ebenso gibt es zwei Ansätze, die wir verwenden können: On-Policy und Off-Policy. Zunächst betrachten wir die On-Policy-Methode — SARSA.
SARSA ist ein On-Policy-TD-Kontrollalgorithmus, der zur Schätzung der Aktionswertfunktion qπ(s,a) verwendet wird. Er aktualisiert seine Schätzungen basierend auf der tatsächlich ausgeführten Aktion und ist somit ein On-Policy-Algorithmus.
Das Akronym SARSA leitet sich von den fünf Schlüsselelementen ab, die im Update verwendet werden:
- S: aktueller Zustand St;
- A: ausgeführte Aktion At;
- R: erhaltene Belohnung Rt+1;
- S: nächster Zustand St+1;
- A: nächste Aktion At+1.
Aktualisierungsregel
Die Aktualisierungsregel ähnelt der TD(0), wobei lediglich die Zustandswertfunktion durch die Aktionswertfunktion ersetzt wird:
Q(St,At)←Q(St,At)+α(Rt+1+γQ(St+1,At+1)−Q(St,At))Das At+1 ist die Aktion, die im nächsten Schritt tatsächlich ausgeführt wird, und sie wird gemäß der aktuellen Politik ausgewählt. Dies bedeutet, dass die Auswirkungen der Exploration in den Lernprozess einfließen.
Nach jeder Aktualisierung der Aktionswertfunktion wird auch die Politik angepasst, sodass der Agent die neuen Schätzwerte unmittelbar nutzen kann.
Pseudocode
Wann sollte SARSA verwendet werden?
SARSA ist vorzuziehen, wenn:
- Sie es mit Umgebungen mit hoher Stochastizität zu tun haben (z. B. rutschige Oberflächen, unzuverlässige Übergänge);
- Sie einen langsameren Konvergenzprozess zugunsten eines sichereren Verhaltens während des Lernens akzeptieren.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Can you explain the difference between SARSA and Q-learning?
How does the exploration-exploitation tradeoff affect SARSA?
Can you give an example of when SARSA would be better than other methods?
Awesome!
Completion rate improved to 2.7SARSA: On-Policy-TD-Lernen
Swipe um das Menü anzuzeigen
Wie bei den Monte-Carlo-Methoden können wir dem Rahmenwerk der generalisierten Politikiteration (GPI) folgen, um von der Schätzung von Wertfunktionen zum Erlernen optimaler Politiken überzugehen. Dieser Prozess bringt jedoch eine bekannte Herausforderung mit sich: den Trade-off zwischen Exploration und Ausbeutung. Ebenso gibt es zwei Ansätze, die wir verwenden können: On-Policy und Off-Policy. Zunächst betrachten wir die On-Policy-Methode — SARSA.
SARSA ist ein On-Policy-TD-Kontrollalgorithmus, der zur Schätzung der Aktionswertfunktion qπ(s,a) verwendet wird. Er aktualisiert seine Schätzungen basierend auf der tatsächlich ausgeführten Aktion und ist somit ein On-Policy-Algorithmus.
Das Akronym SARSA leitet sich von den fünf Schlüsselelementen ab, die im Update verwendet werden:
- S: aktueller Zustand St;
- A: ausgeführte Aktion At;
- R: erhaltene Belohnung Rt+1;
- S: nächster Zustand St+1;
- A: nächste Aktion At+1.
Aktualisierungsregel
Die Aktualisierungsregel ähnelt der TD(0), wobei lediglich die Zustandswertfunktion durch die Aktionswertfunktion ersetzt wird:
Q(St,At)←Q(St,At)+α(Rt+1+γQ(St+1,At+1)−Q(St,At))Das At+1 ist die Aktion, die im nächsten Schritt tatsächlich ausgeführt wird, und sie wird gemäß der aktuellen Politik ausgewählt. Dies bedeutet, dass die Auswirkungen der Exploration in den Lernprozess einfließen.
Nach jeder Aktualisierung der Aktionswertfunktion wird auch die Politik angepasst, sodass der Agent die neuen Schätzwerte unmittelbar nutzen kann.
Pseudocode
Wann sollte SARSA verwendet werden?
SARSA ist vorzuziehen, wenn:
- Sie es mit Umgebungen mit hoher Stochastizität zu tun haben (z. B. rutschige Oberflächen, unzuverlässige Übergänge);
- Sie einen langsameren Konvergenzprozess zugunsten eines sichereren Verhaltens während des Lernens akzeptieren.
Danke für Ihr Feedback!
