18 .蒙特卡洛强化学习之增量式策略评估

1. 批量式策略评估方法的缺陷

上一篇讨论的批量式策略评估方法表明，只有当全部K个完整轨迹存储后才能对Q(s,a)进行一次估计。
这在实际中存在如下缺陷：

• 存储空间消耗大：所存储的轨迹数K越大，每个轨迹的步长$L_k$越大，存储空间消耗就越大；
• CPU消耗过于集中：在多个轨迹收集完后，才集中进行一次估计，相当于把计算负担加到一个时间点上，使得在特定时间点CPU消耗太大。

为克服批处理方法的缺陷，可以使用增量式方法估计$Q(s,a)$

2.什么是增量式方法

每当获得一个完整的轨迹后，就对行为值函数进行一次更新的方法

3.增量式策略评估算法流程

3.1 输入

环境E、状态空间S、动作空间A，初始化行为值函数$Q(s,a)=0$,当前策略$\pi$,步长$\alpha \in (0,1)$

3.2 处理过程

for k = 1…m do
\qquad 按照策略$\pi$与E产生完整轨迹$[(s_0,a_0,r_1),(s_1,a_1,r_2),...,(s_T,a_T,r_{T+1})]$
\qquad for $i=\mathrm{1...}T+1$ do
$r_i\leftarrow G_i={\sum }_{n=i}^{T+1}{\gamma }^{n?i}{r}_i$
$Q(s_i,a_i)\leftarrow Q(s_i,a_i)+\alpha (G_i?Q(s_i,a_i))$

3.3 输出

$Q(s,a)$