Episoder och Belöningar
Svep för att visa menyn
Uppgiftens längd
RL-uppgifter kategoriseras vanligtvis som episodiska eller kontinuerliga, beroende på hur inlärningsprocessen är strukturerad över tid.
Episod är en fullständig sekvens av interaktioner mellan agenten och miljön, som börjar från ett initialt tillstånd och fortskrider genom en serie övergångar tills ett terminalt tillstånd uppnås.
Episodiska uppgifter är sådana som består av en ändlig sekvens av tillstånd, handlingar och belöningar, där agentens interaktion med miljön delas upp i tydliga episoder.
Till skillnad från detta har kontinuerliga uppgifter inte något tydligt slut på varje interaktionscykel. Agenten interagerar kontinuerligt med miljön utan att återställas till ett initialt tillstånd, och inlärningsprocessen pågår ofta utan en tydlig slutpunkt.
Avkastning
Du vet redan att agentens huvudsakliga mål är att maximera ackumulerade belöningar. Medan belöningsfunktionen ger omedelbara belöningar, tar den inte hänsyn till framtida utfall, vilket kan vara problematiskt. En agent som enbart tränas för att maximera omedelbara belöningar kan förbise långsiktiga fördelar. För att hantera detta introducerar vi begreppet return.
Return G är den totala ackumulerade belöningen som en agent får från ett givet tillstånd och framåt, vilket inkluderar alla belöningar den kommer att få i framtiden, inte bara omedelbart.
Return är en bättre representation av hur bra ett visst tillstånd eller en viss handling är på lång sikt. Målet med förstärkningsinlärning kan nu definieras som att maximera return.
Om T är det sista tidssteget ser formeln för en avkastning ut så här:
Gt=Rt+1+Rt+2+Rt+3+...+RTDiskontering
Medan enkel avkastning fungerar som ett bra mål i episodiska uppgifter, uppstår ett problem i kontinuerliga uppgifter. Om antalet tidssteg är oändligt kan avkastningen själv bli oändlig. För att hantera detta används en diskonteringsfaktor för att säkerställa att framtida belöningar ges mindre vikt, vilket förhindrar att avkastningen blir oändlig.
Diskonteringsfaktor γ är en multiplikativ faktor som används för att bestämma nuvärdet av framtida belöningar. Den varierar mellan 0 och 1, där ett värde närmare 0 gör att agenten prioriterar omedelbara belöningar, medan ett värde närmare 1 gör att agenten tar större hänsyn till framtida belöningar.
Return kombinerad med en diskonteringsfaktor kallas diskonterad return.
Formeln för diskonterad return ser ut så här:
Gt=Rt+1+γRt+2+γ2Rt+3+...=k=0∑∞γkRt+k+1
Även i episodiska uppgifter ger användningen av en diskonteringsfaktor praktiska fördelar: den motiverar agenten att nå sitt mål så snabbt som möjligt, vilket leder till mer effektivt beteende. Av denna anledning används diskontering ofta även i tydligt episodiska sammanhang.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Episoder och Belöningar
Uppgiftens längd
RL-uppgifter kategoriseras vanligtvis som episodiska eller kontinuerliga, beroende på hur inlärningsprocessen är strukturerad över tid.
Episod är en fullständig sekvens av interaktioner mellan agenten och miljön, som börjar från ett initialt tillstånd och fortskrider genom en serie övergångar tills ett terminalt tillstånd uppnås.
Episodiska uppgifter är sådana som består av en ändlig sekvens av tillstånd, handlingar och belöningar, där agentens interaktion med miljön delas upp i tydliga episoder.
Till skillnad från detta har kontinuerliga uppgifter inte något tydligt slut på varje interaktionscykel. Agenten interagerar kontinuerligt med miljön utan att återställas till ett initialt tillstånd, och inlärningsprocessen pågår ofta utan en tydlig slutpunkt.
Avkastning
Du vet redan att agentens huvudsakliga mål är att maximera ackumulerade belöningar. Medan belöningsfunktionen ger omedelbara belöningar, tar den inte hänsyn till framtida utfall, vilket kan vara problematiskt. En agent som enbart tränas för att maximera omedelbara belöningar kan förbise långsiktiga fördelar. För att hantera detta introducerar vi begreppet return.
Return G är den totala ackumulerade belöningen som en agent får från ett givet tillstånd och framåt, vilket inkluderar alla belöningar den kommer att få i framtiden, inte bara omedelbart.
Return är en bättre representation av hur bra ett visst tillstånd eller en viss handling är på lång sikt. Målet med förstärkningsinlärning kan nu definieras som att maximera return.
Om T är det sista tidssteget ser formeln för en avkastning ut så här:
Gt=Rt+1+Rt+2+Rt+3+...+RTDiskontering
Medan enkel avkastning fungerar som ett bra mål i episodiska uppgifter, uppstår ett problem i kontinuerliga uppgifter. Om antalet tidssteg är oändligt kan avkastningen själv bli oändlig. För att hantera detta används en diskonteringsfaktor för att säkerställa att framtida belöningar ges mindre vikt, vilket förhindrar att avkastningen blir oändlig.
Diskonteringsfaktor γ är en multiplikativ faktor som används för att bestämma nuvärdet av framtida belöningar. Den varierar mellan 0 och 1, där ett värde närmare 0 gör att agenten prioriterar omedelbara belöningar, medan ett värde närmare 1 gör att agenten tar större hänsyn till framtida belöningar.
Return kombinerad med en diskonteringsfaktor kallas diskonterad return.
Formeln för diskonterad return ser ut så här:
Gt=Rt+1+γRt+2+γ2Rt+3+...=k=0∑∞γkRt+k+1Även i episodiska uppgifter ger användningen av en diskonteringsfaktor praktiska fördelar: den motiverar agenten att nå sitt mål så snabbt som möjligt, vilket leder till mer effektivt beteende. Av denna anledning används diskontering ofta även i tydligt episodiska sammanhang.
Tack för dina kommentarer!
