当前位置：首页 > wzjs >正文

那些网站是静态广州建站软件

wzjs 2025/9/7 21:31:07

那些网站是静态,广州建站软件,做电商的几个网站,淡水网络公司做网站强化学习的核心在于智能体通过与环境的交互进行学习，这种学习方式被称为试错学习（trial-and-error learning） 。在学习强化学习之前，理解多臂老虎机问题（Multi-Armed Bandit Problem） 是一个很好的起点&am…

强化学习的核心在于智能体通过与环境的交互进行学习，这种学习方式被称为 试错学习（trial-and-error learning） 。在学习强化学习之前，理解多臂老虎机问题（Multi-Armed Bandit Problem） 是一个很好的起点，因为它可以被视为强化学习的一个简化版本。

与强化学习不同，多臂老虎机问题中不存在状态信息，只有动作和奖励，因此它是“智能体与环境交互学习”的最简单形式。多臂老虎机问题中的 探索与利用（exploration vs. exploitation）是一个经典问题。

探索与利用的定义

利用（Exploitation）： 基于当前已知的信息，选择能够带来最大收益的决策。

优势：最大化当前收益。
风险：可能错过更优的决策，陷入局部最优。

探索（Exploration）： 尝试新的或不确定的决策，以获取更多信息。

优势：可能发现更优的决策，提升长期收益。
风险：短期内可能无法获得最大收益。

问题介绍

在多臂老虎机（Multi-Armed Bandit, MAB）问题中，我们面对一台拥有 K 根拉杆的老虎机，每根拉杆都对应一个独立的奖励概率分布 R 。每次拉动一根拉杆，我们都会从该拉杆对应的奖励分布中获得一个奖励。问题的关键在于，这些奖励分布是未知的，而我们的目标是在 T 次操作后，尽可能获得最高的累积奖励。由于我们不知道每根拉杆的奖励分布，因此需要在探索（exploration）和利用（exploitation）之间进行权衡：

探索：尝试拉动不同的拉杆，以了解每根拉杆的奖励分布。
利用：根据当前的经验，选择已知奖励最高的拉杆，以最大化当前收益。

多臂老虎机问题的核心在于如何设计一种操作策略，在探索和利用之间找到最佳平衡，从而在 T 次操作后获得最高的累积奖励。

多臂老虎机问题可以表示为一个元组 <A, R>，其中：

A为动作集合，其中一个动作表示拉动一个拉杆。若多臂老虎机一共有K根拉杆，那动作空间就是集合 $\{a_1,a_2,...,a_k\}$ ，我们用 $a_t \in A$ 表示任意一个动作；
R为奖励概率分布，拉动每一根拉杆的动作都对应一个奖励概率分布 $R(r|a)$ ，不同拉杆的奖励分布通常是不同的。

假设每个时间步只能拉动一个拉杆，多臂老虎机的目标为最大化一段时间步T内累积的奖励: $max\sum^T_{t=1}r_t,r_t\sim R(\cdot |a_t)$ 。其中 $a_t$ 表示在第时间步拉动某一拉杆的动作，表示动作获得的奖励。

累积懊悔

对于每一个动作，我们定义其期望奖励为：

$E_{a\sim R(\cdot |a)}[r]$

于是，至少存在一根拉杆，它的期望奖励不小于拉动其他任意一根拉杆，我们将该最优期望奖励表示为：

$Q^*=max_{a\in A}Q(a)$

为了更加直观、方便地观察拉动一根拉杆的期望奖励离最优拉杆期望奖励的差距，我们引入懊悔（regret）概念。懊悔定义为拉动当前拉杆的动作a与最优拉杆的期望奖励差，即：

$R(a)=Q^*-Q(a)$

累积懊悔（cumulative regret）即操作 T 次拉杆后累积的懊悔总量，对于一次完整的 T 步决策 $\{a_1,a_2,...,a_T\}$ ，累积懊悔为：

$\sigma_R=\sum ^{T}_{t=1}R(a_t)$

MAB 问题的目标为最大化累积奖励，等价于最小化累积懊悔。

如果一直保持探索性的策略，一定会有一个regret成线性增长。如果一直探索新策略， $\sigma_R \propto T \cdot R$ ，total regret将线性递增，无法收敛；如果一直不探索新策略， $\sigma_R \propto T \cdot R$ ，total regret仍将线性递增。那么是否存在一个方法具有次线性收敛保证的regret呢？

估计期望奖励

为了知道拉动哪一根拉杆能获得更高的奖励，我们需要估计拉动这根拉杆的期望奖励。由于只拉动一次拉杆获得的奖励存在随机性，所以需要多次拉动一根拉杆，然后计算得到的多次奖励的期望，其算法流程如下所示。

对于 $\forall a\in A$ ，初始化计数器 $N(a)=0$ 和期望奖励估值 $\hat{Q}(a)=c^i$
for $t=1\rightarrow T$ do
选取某根拉杆，该动作记为 $a_t$
得到奖励 $r_t=Bandint(a)$
更新计数器: $N(a)=N(a)+1$
更新期望奖励估值： $\hat{Q}(a)=\hat{Q}(a)+\frac{1}{N(a)}(r-\hat{Q}(a))$

end for

以上 for 循环中的第四步如此更新估值，是因为这样可以进行增量式的期望更新，公式如下。

在多臂老虎机问题中，我们需要估计每根拉杆的奖励概率分布。如果采用直接求和再除以次数的方法，每次更新奖励均值的时间复杂度和空间复杂度均为 O ( n )，其中 n 是拉杆被拉动的次数。这种方法的缺点是效率较低，尤其是在 n 很大时，计算和存储成本会显著增加。相比之下，采用增量式更新的方法，可以显著提高效率。增量式更新的时间复杂度和空间复杂度均为 O(1) ，因为每次更新只需要记录当前均值和拉杆被拉动的次数，而不需要存储所有历史数据。下面我们编写代码来实现一个拉杆数为 10 的多臂老虎机。其中拉动每根拉杆的奖励服从伯努利分布（Bernoulli distribution），即每次拉下拉杆有p的概率获得的奖励为 1，有(1-p)的概率获得的奖励为 0。奖励为 1 代表获奖，奖励为 0 代表没有获奖。

# 导入需要使用的库,其中numpy是支持数组和矩阵运算的科学计算库,而matplotlib是绘图库
import numpy as np
import matplotlib.pyplot as pltclass BernoulliBandit:""" 伯努利多臂老虎机,输入K表示拉杆个数 """def __init__(self, K):self.probs = np.random.uniform(size=K)  # 随机生成K个0～1的数,作为拉动每根拉杆的获奖# 概率self.best_idx = np.argmax(self.probs)  # 获奖概率最大的拉杆self.best_prob = self.probs[self.best_idx]  # 最大的获奖概率self.K = Kdef step(self, k):# 当玩家选择了k号拉杆后,根据拉动该老虎机的k号拉杆获得奖励的概率返回1（获奖）或0（未# 获奖）if np.random.rand() < self.probs[k]:return 1else:return 0np.random.seed(1)  # 设定随机种子,使实验具有可重复性
K = 10
bandit_10_arm = BernoulliBandit(K)
print("随机生成了一个%d臂伯努利老虎机" % K)
print("获奖概率最大的拉杆为%d号,其获奖概率为%.4f" %(bandit_10_arm.best_idx, bandit_10_arm.best_prob))

接下来我们用一个 Solver 基础类来实现上述的多臂老虎机的求解方案。根据前文的算法流程，我们需要实现下列函数功能：根据策略选择动作、根据动作获取奖励、更新期望奖励估值、更新累积懊悔和计数。在下面的 MAB 算法基本框架中，我们将根据策略选择动作、根据动作获取奖励和更新期望奖励估值放在 run_one_step() 函数中，由每个继承 Solver 类的策略具体实现。而更新累积懊悔和计数则直接放在主循环 run() 中。

class Solver:""" 多臂老虎机算法基本框架 """def __init__(self, bandit):self.bandit = banditself.counts = np.zeros(self.bandit.K)  # 每根拉杆的尝试次数self.regret = 0.  # 当前步的累积懊悔self.actions = []  # 维护一个列表,记录每一步的动作self.regrets = []  # 维护一个列表,记录每一步的累积懊悔def update_regret(self, k):# 计算累积懊悔并保存,k为本次动作选择的拉杆的编号self.regret += self.bandit.best_prob - self.bandit.probs[k]self.regrets.append(self.regret)def run_one_step(self):# 返回当前动作选择哪一根拉杆,由每个具体的策略实现raise NotImplementedErrordef run(self, num_steps):# 运行一定次数,num_steps为总运行次数for _ in range(num_steps):k = self.run_one_step()self.counts[k] += 1self.actions.append(k)self.update_regret(k)