强化学习——代理如何知道选择哪个动作？

Question

我正在尝试理解 Q-Learning

基本更新公式：

Q(st, at) += a[rt+1, + d.max(Q(st+1, a)) - Q(st,at)]

我了解公式及其作用，但我的问题是：

代理如何知道选择 Q(st, at)？

我知道代理遵循一些策略 π，但是你首先如何创建这个策略？

• 我的代理正在玩跳棋，所以我专注于无模型算法。
• 代理所知道的只是它所处的当前状态。
• 我知道当它执行一个动作时，您会更新该实用程序，但它如何知道首先要执行该动作。

目前我有：

• 检查您在该状态下可以采取的每一个动作。
• 选择最实用的招式。
• 更新移动的实用程序。

但是，这并不能真正解决很多问题，您仍然会陷入局部最小值/最大值。

所以，为了圆满结束，我的主要问题是：

对于一无所知并使用无模型算法的代理，您如何生成初始策略，以便它知道要采取的行动？

Answer 1

该更新公式以增量方式计算每个状态下每个操作的预期值。贪婪的策略总是选择价值最高的行动。当您已经了解了这些价值观时，这是最好的策略。学习过程中最常用的策略是 ε-greedy 策略，它选择概率为 1-ε 的最高值动作，以及概率为 ε 的随机动作。