- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我无法理解 on-policy 方法(如 A3C
)和 off-policy 方法(如 DDPG
)之间的根本区别是什么。据我所知,无论行为策略如何,off-policy 方法都可以学习到最优策略。它可以通过观察环境中的任何轨迹来学习。因此,我可以说 off-policy 方法比 on-policy 方法更好吗?
我已阅读 cliff-walking example显示 SARSA
之间的差异和 Q-learning
.它说 Q-learning
将学习沿悬崖行走的最优策略,而 SARSA
将学会在使用 epsilon-greedy
时选择更安全的方式政策。但由于 Q-learning
已经告诉我们最优策略了,为什么我们不遵循那个策略而不是继续探索呢?
另外,这两种学习方法是否存在一种优于另一种的情况?在哪种情况下,人们会更喜欢 on-policy 算法?
最佳答案
正如您已经说过的,off-policy 方法可以学习最佳策略而不管行为策略(实际上行为策略应该具有一些属性),而 on-policy 方法要求代理按照它正在学习的策略进行操作。
想象一下,您有一个先前存储的轨迹数据集(即元组形式的数据 (s,a,r,s')
)的情况。这些数据是根据给定的策略收集的,您无法更改它。在这种情况下,这对于医疗问题很常见,您只能应用非策略方法。
这意味着off-policy方法更好?不一定。我们可以说,off-policy 方法在它们可能面临的问题类型上更加灵活。但是,从理论的角度来看,它们具有不同的属性,有时很方便。例如,如果我们比较 Q-learning 与 SARSA 算法,它们之间的主要区别是 max
Q-learning更新规则中使用的算子。这个算子是高度非线性的,这会使算法与函数逼近器相结合变得更加困难。
什么时候最好使用 on-policy 方法?好吧,如果您面临连续状态空间的问题,并且您对使用线性函数逼近器(例如 RFB 网络)感兴趣。然后使用 on-policy 方法更稳定。您可以在 Section off-policy bootstrapping 中找到有关此主题的更多信息。萨顿和巴托的书。
关于reinforcement-learning - off-policy 学习方法是否比 on-policy 方法更好?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42606589/
据我所知,根本不为元素呈现 HTML,或添加 display:none,似乎具有完全相同的行为:两者都使元素消失并且不与 HTML 交互。 我正在尝试禁用和隐藏一个复选框。所以HTML的总量很小;我无
我刚刚读了Android Architecture Tutorial: Developing an App with a Background Service (using IPC) .基本上是 让服
我有两个查询具有相同的结果,现在我想知道哪个查询更优化? 在选择中: select t1.*, sum(t2.value) as total_votes from table1 t1 left joi
有人告诉我,对于 I/O 绑定(bind)的应用程序,非阻塞 I/O 会更好。对于 CPU 密集型应用程序,阻塞 I/O 会好得多。我找不到这种说法的原因。试过谷歌,但很少有文章只是触及这个话题而没有
我有一个算法可以在数字列表中寻找好的对。一个好的配对被认为是索引 i 小于 j 且 arr[i] 1: # Finding the mid of the array
我有一个算法可以在数字列表中寻找好的对。一个好的配对被认为是索引 i 小于 j 且 arr[i] 1: # Finding the mid of the array
我从 API 收到一个 json,我需要解析并修改一个属性值。问题是,我收到的 json 数据的嵌套结构不一致,我无法控制它。 这将禁止我指定在特定深度(如 parsedJson.children[0
我有 451 个城市的坐标。现在我想计算每个城市之间的距离,然后根据该距离对一些结果进行排序。现在我有两个选择: 我可以运行一个循环来计算每个可能的城市组合的距离并将它们存储到一个表中,这将产生大约
对于返回相同结果的不同查询,我有两个查询计划我想知道是否有人可以告诉我哪个“更好”,以及为什么。 SELECT * FROM bids order by (select ranking from us
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 7 年前。 Improve this qu
我有一个二维数组。我需要尽可能快地对其执行一些操作(函数每秒将被调用十几次,所以让它变得高效会很好)。 现在,假设我想获取元素 A[i][j],简单地使用 A[i][j] 在速度上有什么不同吗和 *(
在声明或使用字符串的代码中,我通常会看到开发人员这样声明它: string randomString = @"C:\Random\RandomFolder\ThisFile.xml"; 代替: str
这个问题在这里已经有了答案: 关闭 10 年前。 Possible Duplicate: Why don't CSS resets use '*' to cover all elements? 我正
如果我有一个包含许多重复项的 python 列表,并且我想遍历每个项目,而不是重复项,最好使用一个集合(如 set(mylist),或者找到另一种方法来创建没有重复的列表?我想只是循环遍历列表并检查重
在阅读常量接口(interface)反模式时,我发现没有实例的最终常量类比常量接口(interface)更好。 请解释一下怎么做? public interface ConstIfc { publ
我正在查看我继承的一些旧代码,我真的不喜欢某些地方的风格。我真的不喜欢它的外观的一件事是: bool func() { bool ret = true; ret &= test1();
关闭。这个问题是opinion-based 。目前不接受答案。 想要改进这个问题吗?更新问题,以便 editing this post 可以用事实和引文来回答它。 . 已关闭 4 年前。 Improv
我经常发现自己试图使用 boost/QT 信号解耦对象。实现这一点的简单方法是针对我要通信的每个具体类型,创建一个新的信号和插槽签名并连接所有相关对象。这导致了访问者模式,理想情况下我想发出一个访问者
我正在 https://docs.oracle.com/javase/tutorial/java/javaOO/lambdaexpressions.html 上阅读有关 lambda 的内容 在方法
public List getInts() { List xs = new ArrayList(); xs.add(1); // return Collections.unmo
我是一名优秀的程序员,十分优秀!