强化学习代码实战(2) --- 多臂赌博机

前言

1.Python基础

2.Numpy基础

3.多臂赌博机

参考文献

前言

本文内容来自于南京大学郭宪老师在博文视点学院录制的视频，课程仅9元地址，配套书籍为深入浅出强化学习编程实战郭宪地址。

1.Python基础

1. print()

可以用该语句查看当前数据的情况，验证数据过程是否正确，也就是验证代码写的是否正确。

2. if...else...

3. for循环

4. while循环

5. 函数定义

6. 类

数据成员

函数成员

子类初始化时要用super()(本质上还是对基类进行初始化)

2.Numpy基础

3.多臂赌博机

多臂赌博机希望可以得到摇动N次后得到到最高的回报，对于该赌博机，有回报模型（摇一次出多少币是确定的），但没有状态转移模型，所以是一个无模型问题。

以下图为例，在多臂赌博机中，动作a=[0，1，2]分别代表对三个摇臂的动作，而每个摇臂对应不同回报，所以服从三个回报，状态s，在本例中较为简单，对某一个摇臂动作，然后返回初始状态，再继续对某一个摇臂动作，再返回初始状态......，循环往复。本例中的评估，基于行为值函数，本质上是对当前动作回报值的计算（期望，也就是摇N次对回报取平均值）。我们需要分别得到三个摇臂的q（q(a1),q(a2),q(a3)）。

进而我们看一下实现的过程，假设q[0],q[1],q[2]的期望（未知）分别是1，10，6（满足正态分布），初始化时我们对每一个摇臂进行一次实验，分别得到3，4，6个金币，根据贪婪策略（选回报最大动作，也就是摇臂3），连续执行十次，按照期望（正态分布）得到60金币，但如果选择摇臂2，十次后可得到100金币，所以这时贪婪策略就不太合适。所以出现了探索-利用平衡策略，利用就是用当前最好策略，探索就是有一定概率选择其他不那么好的动作。

再看一下伪码和源码的对应关系。

代码中可修改的内容。

用到的三种策略

$\xi -greedy$ ：简单理解，以摇臂赌博机为例，第一次探索q[0]=0.2,q[1]=0.3,q[2]=0.6， $\varepsilon$ =0.1，此时有0.9的概率继续选择2的动作，有0.1的概率选择1的动作，这就增加的探索能力，假设选择了动作1，立即汇报为1.5,那么q[1]=0.9，成为最高的回报值，下次有0.9被选择的概率。（比较彼此回报时用的是平均回报）

ucb： $q_{ucb}$ 分别计算不同动作的累计回报，假设谁大选谁， $\frac{}{q}$ 代表各自动作的平均回报值，假设动作3的平均回报是0.6为最大，但连续选择3次之后，第四次n（动作总次数）变为4， $n_{a}$ 为动作1，2，3各自的次数，那么此时对动作1，2而言 $n_{a}$ 较小，n大，所以 $q_{ucb}$ 对应的值会超过动作3，以此实现探索。