連續(xù)空間強(qiáng)化學(xué)習(xí)研究.pdf

1、作為一類求解序貫決策問題的重要方法，強(qiáng)化學(xué)習(xí)因其獨(dú)特的無教師自主學(xué)習(xí)機(jī)制而倍受關(guān)注。盡管強(qiáng)化學(xué)習(xí)近年來已取得了較大進(jìn)展，但在求解具有連續(xù)狀態(tài)和動作空間的實(shí)際問題時仍面臨諸多挑戰(zhàn)，例如易遭受維數(shù)災(zāi)難和學(xué)習(xí)效率不高。為此，本文對連續(xù)空間強(qiáng)化學(xué)習(xí)展開研究，主要工作和創(chuàng)新概述如下：
　　(1)針對現(xiàn)有線性局部逼近時域差分（Temporal Difference，TD）學(xué)習(xí)算法大多不能對連續(xù)狀態(tài)空間自適應(yīng)表示和對連續(xù)動作策略精確求解兩大問題

2、，提出一種增量最近鄰TD學(xué)習(xí)框架，并就各關(guān)鍵部分給出多種定義方案。所提框架建立在相鄰狀態(tài)的值函數(shù)與策略通常具有較高的相似性這一規(guī)律之上，通過在線選取部分觀測狀態(tài)構(gòu)建稀疏化詞典，并采用局部加權(quán)學(xué)習(xí)實(shí)現(xiàn)值函數(shù)和連續(xù)策略逼近，可同時用于離散和連續(xù)動作空間策略學(xué)習(xí)。理論分析與仿真實(shí)驗(yàn)表明，該框架不僅具有簡單、高效、開放、易于理解等優(yōu)點(diǎn)，而且具有較為可靠的收斂保證。
　　(2)針對現(xiàn)有基于核的最小二乘TD算法不能在線稀疏化且未考慮過擬合兩大

3、問題，提出三種基于核的在線稀疏化遞歸最小二乘TD（Recursive Least-Squares TD，RLSTD）算法，分別稱作OSKRLSTD-L2、OSKRLSTD-L1和OSMKRLSTD-L2算法。三種算法均使用了最優(yōu)化Bellman投影算子、在線稀疏化、正則化、RLS和滑動窗口技術(shù)，不但可以簡化推導(dǎo)、自動實(shí)現(xiàn)狀態(tài)空間表示、避免過擬合和減輕噪聲影響，而且可以減少計算開銷和存儲開銷。此外，在OSKRLSTD-L1算法中，還提出了

4、一種不動點(diǎn)子迭代和在線修剪子算法，較好地解決了L1正則化難以在線實(shí)現(xiàn)這一問題，有助于獲得更加稀疏的狀態(tài)空間表示；在OSMKRLSTD-L2算法中，首次引入了多核最小二乘技術(shù)，進(jìn)一步提高了算法的逼近能力。
　　(3)針對現(xiàn)有連續(xù)動作空間Actor-Critic（AC）算法收斂速度與收斂質(zhì)量不高這一問題，通過對傳統(tǒng)高斯策略的局限性進(jìn)行分析，提出AC算法的低效主要源于傳統(tǒng)高斯策略缺乏貪婪性這一觀點(diǎn)。在此基礎(chǔ)上，提出一種面向一維連續(xù)動作空

5、間的對稱擾動采樣AC算法框架，每時間步通過對稱高斯擾動生成兩個備選動作與環(huán)境并行交互，然后基于二者的最大TD誤差貪婪選取行為動作并對值函數(shù)參數(shù)更新，再基于二者的常規(guī)或自然策略梯度平均值對策略參數(shù)更新。隨后，分析該框架的時間復(fù)雜度和空間復(fù)雜度，證明其集成的四種AC算法的收斂性，并仿真驗(yàn)證各算法的有效性。鑒于該框架每時間步需要與環(huán)境交互兩次，為此接著提出一種∈-貪婪高斯策略和兩種與之相匹配的兼容AC算法框架。該策略首次將∈-greedy策略

6、和傳統(tǒng)高斯策略結(jié)合起來，對N維連續(xù)動作空間，每時間步首先采用對稱擾動生成2N個備選動作，然后采用∈-greedy策略基于優(yōu)勢函數(shù)選取行為動作。最后，從理論上和實(shí)驗(yàn)上對所提策略和兼容框架進(jìn)行了分析與驗(yàn)證。
　　(4)針對強(qiáng)化學(xué)習(xí)算法采用固定標(biāo)量步長導(dǎo)致學(xué)習(xí)性能難以提高這一問題，從二階梯度下降法視角對RLSTD算法重新解讀，提出一種新的向量步長自適應(yīng)算法，并將其應(yīng)用到線性 TD(0)、Sarsa和 Q-learning算法之中。在所提