Агенты изучения укрепления

Цель укрепления, учащегося, состоит в том, чтобы обучить агент выполнять задачу в неопределенной среде. Агент получает наблюдения и вознаграждение от среды и отправляет действия в среду. Вознаграждение является мерой того, насколько успешный действие относительно завершения цели задачи.

Агент содержит два компонента: политика и алгоритм изучения.

Политика является отображением, которое выбирает действия на основе наблюдений от среды. Как правило, политика является функцией approximator с настраиваемыми параметрами, такими как глубокая нейронная сеть.
Алгоритм изучения постоянно обновляет параметры политики на основе действий, наблюдений и вознаграждений. Цель алгоритма изучения состоит в том, чтобы найти оптимальную политику, которая максимизирует совокупное вознаграждение, полученное во время задачи.

В зависимости от алгоритма изучения агент поддерживает, один или несколько параметризовал функцию approximators для обучения политика. Существует два типа функции approximators.

Критики — Для данного наблюдения и действия, критик находит ожидаемое значение долгосрочного будущего вознаграждения за задачу.
Агенты — Для данного наблюдения, агент находит действие, которое максимизирует долгосрочное будущее вознаграждение

Для получения дополнительной информации о создании агента и функции критика approximators, смотрите, Создают политику и Представления Функции Значения.

Встроенные агенты

Программное обеспечение Reinforcement Learning Toolbox™ обеспечивает следующие встроенные агенты. Каждый агент может быть обучен в средах с заданным действием и пространствами наблюдений.

Агент	Наблюдения	Действия
Агенты Q-изучения	Дискретный	Дискретный
Агенты SARSA	Дискретный	Дискретный
Глубокие агенты Q-сети	Непрерывный или дискретный	Дискретный
Глубоко детерминированные агенты градиента политики	Непрерывный или дискретный	Непрерывный
Агенты градиента политики	Непрерывный или дискретный	Дискретный
Агенты критика агента	Непрерывный или дискретный	Дискретный

Пользовательские агенты

Можно также обучить политики с помощью других алгоритмов изучения путем создания пользовательского агента. Для этого вы создаете подкласс пользовательского класса агента, задавая поведение агента с помощью набора необходимых и дополнительных методов. Для получения дополнительной информации смотрите Пользовательские Агенты.

Документация