8139

Обучение с подкреплением. Пассивное обучение. Активное обучение.

Лекция

Информатика, кибернетика и программирование

Обучение с подкреплением. Пассивное обучение. Активное обучение. Задача обучения с подкреплением состоит в том, чтобы обеспечить использование наблюдаемых вознаграждений для определения в процессе обучения оптимальной стратегии для данной среды. Пре...

Русский

2013-02-04

41 KB

8 чел.

Обучение с подкреплением.

Пассивное обучение. Активное обучение.

Задача обучения с подкреплением состоит в том, чтобы обеспечить использование наблюдаемых вознаграждений для определения в процессе обучения оптимальной стратегии для данной среды.

Предполагается, что среда является полностью наблюдаемой, поэтому информация о текущем состоянии поступает с результатами каждого восприятия. Обычно рассматривают три проекта агентов:

  •  Агент, действующий с учетом полезности, определяет с помощью обучения функцию полезности состояния и использует ее для выбора действий, которые максимизируют ожидаемую полезность результата;
  •  Агент, действующий по принципу Q-обучения, определяет с помощью обучения функцию “действие-значение”, или Q-функцию, получая сведения об ожидаемой полезности выполнения данного конкретного действия в данном конкретном состоянии.
  •  Рефлексный агент определяет с помощью обучения стратегию, которая непосредственно отображает состояния в действия.

Пассивное обучение с подкреплением

При таком виде обучения стратегия агента остается неизменной, а задача состоит в том, чтобы определить с помощью обучения полезности состояний (или пар “состояние-действие”). Для этого может также потребоваться определение с помощью обучения модели среды. Задача пассивного обучения аналогична задаче оценки стратегии, которая является частью алгоритма итерации по стратегиям. Пассивный обучающийся агент не знает модели перехода T(s,a,s), которая определяет вероятность достижения состояния s из состояния s после выполнения действия a; он также не знает функцию вознаграждения R(s), которая задает вознаграждение для каждого состояния.

Существует простой метод непосредственной оценки полезности, идея которого состоит в том, что полезностью данного конкретного состояния является ожидаемое суммарное вознаграждение, связанное с действиями, выполняемыми, начиная с этого состояния, а каждая попытка представляет собой выборку этого значения для каждого посещенного состояния. Таким образом, в конце каждой последовательности алгоритм вычисляет наблюдаемое будущее вознаграждение для каждого состояния и обновляет соответствующим образом оценку полезности для этого состояния путем ведения текущего среднего значения для каждого состояния. В пределе, после выполнения бесконечного количества попыток, среднее по выборкам сходится к значению истинного ожидания.

Очевидно, что непосредственная оценка полезности представляет собой один из видов контролируемого обучения, в котором каждый пример задает состояние в качестве входных данных, а наблюдаемое будущее вознаграждение – в качестве выходных. Это означает, что данный метод позволяет свести обучение с подкреплением к стандартной задаче индуктивного обучения. Однако в этом методе не учитывается тот факт, что полезности состояний не являются независимыми. Дело в том, что полезность каждого состояния равна сумме его собственного вознаграждения и ожидаемой полезности его состояний-преемников. Данный метод можно рассматривать как поиск в пространстве гипотез, которое имеет размеры намного большие, чем необходимо, поскольку включает также много функций, которые нарушают уравнения Беллмана. По этой причине данный алгоритм часто сходится очень медленно.

Активное обучение с подкреплением

Пассивный обучающийся агент руководствуется постоянно заданной стратегией, которая определяет его поведение, а активный агент должен сам принимать решение о том, какие действия следует предпринять. Прежде всего, агенту потребуется определить с помощью обучения полную модель с вероятностями результатов для всех действий, а не просто модель для заданной стратегии. Затем необходимо принять в расчет тот факт, что агент должен осуществлять выбор из целого ряда действий. Полезности, которые ему потребуются для обучения, определяются оптимальной стратегией и подчиняются уравнениям Беллмана:

U(s) = R(s) + maxs    U(s’)

Эти уравнения могут быть решены для получения функции полезности U с помощью алгоритмов итерации по значениям или итерации по стратегиям. Последняя задача состоит в определении того, что делать на каждом этапе. Получив функцию полезности U, оптимальную для модели, определяемой с помощью обучения, агент может извлечь информацию об оптимальном действии, составляя одношаговый прогноз для максимизации ожидаемой полезности. Еще один вариант состоит в том, что если используется итерация по стратегиям, то оптимальная стратегия уже известна, поэтому агент должен просто выполнить действие, рекомендуемое согласно оптимальной стратегии.

Однако может оказаться, что выбор оптимального действия приводит к неоптимальным результатам. Причиной этого может быть то, что модель, определяемая с помощью обучения, не является такой же, как истинная среда; поэтому то, что оптимально в модели, определяемой с помощью обучения, может оказаться неоптимальным в истинной среде. Поэтому агент должен искать компромисс между потреблением полученных результатов для максимизации своего вознаграждения (что отражается в его текущих оценках полезностей) и исследованием среды для максимизации своего долговременного благосостояния.


 

А также другие работы, которые могут Вас заинтересовать

67483. ПОНЯТТЯ ТА СИСТЕМА ПРИРОДНОРЕСУРСОВОГО ПРАВА 145 KB
  Наукове значення природи полягає в безкінечній різноманітності об’єктів та процесів, які її складають і потребують вивчення. Іншими словами, природа є важливим джерелом наукових знань, основою для розвитку різноманітних галузей науки.
67484. РОБОТОТЕХНІЧНІ СИСТЕМИ (РТС), ЇХ СТРУКТУРА 337 KB
  Роботизований технологічний процес технологічний процес в якому в ролі основного технологічного устаткування використовуються промислові роботи і маніпулятори. З цією метою роботи доцільно сполучити з таким технологічним устаткуванням яке оснащене числовим програмним...
67485. Предприятие в условиях рыночной экономики 280 KB
  Цель моей работы рассмотреть и показать на примере, как предприятие функционирует в условиях рыночной экономики, какие виды и организационно-правовые формы предприятия существуют, какую роль играет ценообразование и какие методы планирования применяют предприятия.
67486. Экономика природопользования 353.5 KB
  Экономические механизмы природопользования Реализация экономических механизмов осуществляется через многие институты: кадастры своды экономических экологических организационных и технических показателей характеризующих количество и качество природного ресурса а также категории...
67487. Основы экологического права 216 KB
  Экологическое право является важным инструментом используемым государством в интересах сохранения и рационального использования окружающей природной среды. Нормами экологического права следует считать правила поведения регулирующие отношения людей по поводу охраны и использования окружающей природной среды.
67488. Конфликтология как наука: объект, предмет, функции, методы исследования конфликтов 127.5 KB
  Конфликтология как наука: объект предмет функции методы исследования конфликтов Ключевые понятия лекции Структура конфликта Принцип детерминизма Динамика конфликта Принцип системности Разрешение конфликта Принцип развития Конфликтное взаимодействие Структурно-функциональный...
67489. Эволюция конфликтологической мысли 375 KB
  Эволюция конфликтологической мысли Рассматриваемые в лекции вопросы Накопление знаний о конфликтах в Древнем мире Средние века и Новое время Развитие конфликтологии в рамках психологической науки XIXXX вв. Становление теории конфликта как самостоятельной области научных исследований.
67490. Динамика развития конфликта: основные этапы и их характеристика 189 KB
  Динамика развития конфликта: основные этапы и их характеристика Ключевые понятия лекции Динамика конфликта Завершение конфликта Конфликтная ситуация Послеконфликтный период Открытый конфликт Компромисс Инцидент Профилактика конфликта Социальная напряженность Создание образа...
67491. Стратегии разрешения конфликтов 260 KB
  Стратегии разрешения конфликтов Рассматриваемые в лекции вопросы Стратегии разрешения конфликта и их характеристика по схематической сетке К. Киллмена Тактики разрешения конфликта и механизмы их практического осуществления Ключевые понятия лекции Избегание уклонение Приспособление...