我正在尝试在具有连续状态(dim.= 20)和离散操作(3 个可能的操作)的环境中找到最佳策略。并且有一个特定的时刻:对于最佳策略，一个操作(称为“操作 0”)的选择频率应比其他两个操作高得多(频率约为 100 倍；这两个操作风险更大)。
我尝试过使用 NN 值函数近似进行 Q 学习。结果相当糟糕:神经网络学习总是选择“ Action 0”。我认为策略梯度方法(在神经网络权重上)可能会有所帮助，但不明白如何在离散 Action 上使用它们。
您能给一些尝试的建议吗？ (也许是算法，要阅读的论文)。 当状态空间连续且 Action 空间离散时，最先进的强化学习算法是什么？
谢谢。
最佳答案
在连续(状态和/或 Action )空间中应用 Q 学习并不是一项简单的任务。当尝试将 Q 学习与全局函数逼近器(例如 NN)结合起来时尤其如此(我理解您指的是常见的多层感知器和反向传播算法)。您可以在 Rich Sutton's page 中阅读更多内容。更好(或者至少更简单)的解决方案是使用局部逼近器，例如径向基函数网络(this paper 的第 4.1 节对此有很好的解释)。
另一方面，状态空间的维数可能太高而无法使用局部逼近器。因此，我的建议是使用其他算法而不是 Q-learning。对于连续状态和离散 Action 来说，一个非常有竞争力的算法是 Fitted Q Iteration ，通常与树方法结合来逼近Q函数。
最后，当 Action 数量较少时(如您的情况)，一种常见的做法是为每个 Action 使用独立的逼近器，即，而不是采用状态 Action 对作为输入并返回的唯一逼近器Q 值，使用三个逼近器，每个 Action 一个，仅将状态作为输入。您可以在本书 Reinforcement Learning and Dynamic Programming Using Function Approximators 的示例 3.1 中找到这样的示例。关于machine-learning - 针对连续状态、离散 Action 的强化学习算法，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27008226/