免费php开源企业网站新闻营销

摘要

本系列知识点讲解基于蘑菇书EasyRL中的内容进行详细的疑难点分析！具体内容请阅读蘑菇书EasyRL！

---

对应蘑菇书EasyRL——1.4.4.1基于价值的智能体与基于策略的智能体

---

强化学习中基于策略（Policy-Based）和基于价值（Value-Based）方法的区别

在强化学习中，基于策略的方法和基于价值的方法是两类核心的算法设计思路。它们的核心差异在于优化目标和动作选择方式。以下是详细对比及具体示例：

---

1. 定义与核心思想

(1) 基于策略的方法（Policy-Based Methods）

• 定义：直接学习策略函数（即状态到动作的映射），通过优化策略参数来最大化长期累积奖励。
• 核心思想：
  策略函数可以是确定性的（如 $a=\pi (s)$）或概率性的（如 $\pi (a|s)=P(a|s)$）。算法通过梯度上升调整策略参数，使高奖励的动作概率增加。
• 数学表示：
  ${\pi }_{\theta }(a|s)$ 表示参数为 $\theta$ 的策略函数，目标是最大化期望回报 $J(\theta )={\mathbb{E}}_{{\pi }_{\theta }}[G_t]$。

(2) 基于价值的方法（Value-Based Methods）

• 定义：学习价值函数（如状态值函数 $V(s)$ 或动作值函数 $Q(s,a)$），通过价值函数间接选择动作。
• 核心思想：
  通过贝尔曼方程迭代更新价值函数，最终策略由价值函数导出（例如选择具有最高 $Q(s,a)$ 的动作）。
• 数学表示：
  贝尔曼方程：$Q(s,a)=\mathbb{E}[R+\gamma {\max }_{a^{\prime }}Q(s^{\prime },a^{\prime })]$。

---

2. 核心区别

特征	基于策略的方法	基于价值的方法
优化目标	直接优化策略参数 $\theta$	优化价值函数（如 $Q(s,a)$ 或 $V(s)$）
策略表示	显式定义策略 $\pi (a|s)$	隐式策略（如贪婪策略：$a=\arg {\max }_{a}Q(s,a)$）
动作空间适应性	天然支持连续动作空间（如机器人控制）	通常需离散化动作空间（如DQN）
探索能力	通过策略的随机性自然探索（如概率选择动作）	需额外机制（如ε-greedy）促进探索
收敛性	更稳定但可能收敛到局部最优	可能存在震荡或不收敛（尤其是函数逼近时）
策略更新频率	通常按回合（on-policy）更新	可在线更新（off-policy，如Q-learning）

---

3. 具体示例

场景：CartPole游戏

• 目标：控制小车左右移动，保持杆子竖直不倒。
• 动作空间：离散（左/右）或连续（力的大小）。

(1) 基于价值的方法示例（如DQN）

• 步骤：
  1. 学习动作值函数 $Q(s,a)$，预测每个动作的长期价值。
  2. 选择使 $Q(s,a)$ 最大的动作（例如，向左或向右）。
• 局限性：
  如果动作空间连续（如施加0.1N或0.5N的力），需离散化处理，导致维度灾难。
• 代码片段逻辑：

  action = argmax(q_network(state))  # 选择Q值最大的动作
  

(2) 基于策略的方法示例（如REINFORCE或PPO）

• 步骤：
  1. 直接输出动作的概率分布（例如，向左概率70%，向右30%）。
  2. 通过策略梯度上升，增加高回报动作的概率。
• 优势：
  可直接输出连续动作（如力的大小为0.3N），无需离散化。
• 代码片段逻辑：

  mean, std = policy_network(state)  # 输出高斯分布的均值和方差
  action = sample(mean, std)         # 从分布中采样连续动作
  

---

4. 优缺点对比

方法类型	优点	缺点
基于策略	1. 支持连续动作空间 2. 探索能力强 3. 策略表达灵活	1. 高方差 2. 样本效率低 3. 训练不稳定
基于价值	1. 样本效率高（可off-policy） 2. 训练稳定	1. 依赖价值函数估计精度 2. 难以处理连续动作

---

5. 典型算法

• 基于策略的方法：
  • REINFORCE（蒙特卡洛策略梯度）
  • PPO（Proximal Policy Optimization）
  • TRPO（Trust Region Policy Optimization）
• 基于价值的方法：
  • Q-learning
  • DQN（Deep Q-Network）
  • SARSA

---

6. 关键总结

• 基于策略的方法：
  直接操作策略，适合复杂动作空间（如机器人控制、游戏AI），但训练可能不稳定。
• 基于价值的方法：
  依赖价值函数，适合离散动作空间（如Atari游戏），但对函数逼近误差敏感。
• 混合方法（Actor-Critic）：
  结合两者优点，用价值函数辅助策略更新（如A3C、DDPG）。

---

示例总结

• 迷宫导航（基于价值）：
  学习每个位置的Q值，选择最大Q值的路径。
• 机械臂控制（基于策略）：
  直接输出关节扭矩的连续值，通过策略梯度优化扭矩参数。

两者在解决不同类型问题时各具优势，实际应用中常结合使用（如Actor-Critic架构）。