RL-赵-(七)-不基于模型2-计算V/StateValue-TD算法:狭义TD算法04【TD对比MC:在线/离线、持续/一次性任务、BS/非BS、低/高方差、开始时偏差大/小】

发布时间:2026/11/17 6:24:24

RL-赵-(七)-不基于模型2-计算V/StateValue-TD算法:狭义TD算法04【TD对比MC:在线/离线、持续/一次性任务、BS/非BS、低/高方差、开始时偏差大/小】 5、Algorithm propertiesTD算法与蒙特卡洛算法比较尽管TD learning和MC learning都是model-free方法与MC learning相比TD learning的优点和缺点分别是什么呢TD/Sarsa learningMC learning在线学习时差学习是在线的。在接收到奖励后它可以立即更新状态/动作值。蒙特卡洛学习是离线的。它必须等待直到一整个回合episode完全收集完毕后才能进行更新。持续任务由于时差学习是在线的因此它可以处理episodic任务和continuing任务。一次性任务由于蒙特卡洛学习是离线的因此它只能处理具有终止状态的episodic任务。Bootstrapping时差学习自提升因为值的更新依赖于对该值的先前估计。因此它需要初始猜测。非Bootstrapping蒙特卡洛学习不是自提升因为它可以直接估计状态/动作值无需任何初始猜测。低方差时差学习的估计方差较低因为涉及到的随机变量比较少。例如Sarsa需要Rt1,St1,At1R_{t1},S_{t1},A_{t1}Rt1​,St1​,At1​。高估计方差为了估计qπ(st,at)q_\pi(s_t,a_t)qπ​(st​,at​)我们需要Rt1γRt2γ2Rt3…R_{t1}\gamma R_{t2}\gamma^{2}R_{t3}\ldotsRt1​γRt2​γ2Rt3​…的样本。假设每个回合的长度为LLL。有∣A∣L|A|^L∣A∣L种可能的回合。Bootstrapping方法bootstrapping的意思就是说我之前对一个状态的state value已经有了一个初始的猜测然后基于这个初始的猜测再加上一些新的信息我可以得到一个新的猜测。MC learning它不是一个bootstrapping它就是直接根据当前的episode计算出来return我就用这个return来直接作为action value或者state value的这样一个估计值这里边不涉及到之前的一些估计值。另外一个性质就是TD它的估计的variance相对来说是比较小的为什么呢就是因为在算法过程当中它涉及到的随机变量是比较少的。那因为这个比较少所以相对来说我如果只用一次这个采样那它的variance是比较低的。但是相反MC learning它会涉及到非常多的variable因为它需要一个episode这episode第一步会有一个reward第二步会有一个reward第三步就是会有很多个随机变量进来然后我有很多个随机变量那我只用一次的采样相对来说这次采样它的variance会比较高一些。举一个比较直观的例子假如说我现在这个episode它的长度是100每经过一个state假如说有5个action可以来做选择然后那我一共实际上是有51005^1005100个episode。也就是我从当前出发进行随机的采样可能会有51005^1005100个episode但是我现在只用了一个episode的数据来进行估计你可以想象它的variance会是比较大的。另外一个方面就是随机变量实际上有两个性质第一个是variance第二个是它的expectation或者是mean。虽然这个TD算法它的variance是比较小的但是它的mean或者expectation是有bias的。为什么呢因为它是bootstrapping它依赖于初始的估计如果初始的估计不太准确的话那么这个不准确的估计会进入到这个估计的过程中造成bias。当然随着越来越多的数据进来会逐渐把bias给抵消掉直到最后能够收敛到一个正确的估计值。相反MClearning虽然有比较高的variance但是因为它不涉及任何的初始值它的expectation实际上就直接等于它真实的action value或者是state value所以它是无偏估计。刚刚我们介绍了TD learning的基本的性质下面我们把TD learning和之前我们介绍的基于蒙特卡洛方法的这个MC learning加以比较那MC learning是我们这个课程当中介绍的第一个model-free的强化学习的方法然后TD learning是我们介绍的第二个那它们分别有什么优劣势呢我们来看一下 我们一个一个讲它们的优劣势这里边值得指出的一点其实这里边我除了TD之外我还写了一个Sarsa这个Sarsa是什么呢是我们接下来马上要讲的一个算法它可以直接来估计action value然后这个Sarsa和我们之前讲的TD算法它的表达式基本上是一模一样的所以我就直接拿过来也比较一下 第一个性质是什么呢第一个性质是TD算法它是一个online在线的 什么意思呢就是说我现在得到了一个reward我跳到了下一个状态我就立刻可以用这些信息来更新我当前的一些估计状态的值但是相比之下这个MC learning它是offline 什么意思呢就虽然我现在在采样我得到了一些采样但是我不可能立刻用 为什么呢我必须要一直采下去等到这个episode结束之后我才能计算从当前的s然后到最后它的这个return是多少然后我用那个return来作为一个估计值也正因为TD它是online的所以它能够来处理这种continuing task当然它也能够处理episodic task所以两类都可以continuing task是什么呢就是这个task它不会停止它会一直持续下去那这时候我要更新的话我必须是在线的更新因为我不能等它停下来当然实际当中是不存在一直持续下去的任务的但是你可以想象它是一个非常长的任务然后MC learning因为它是offline的所以它只能处理这个episodic task也就是必须要等到它停止之后我才能去用这个MC的算法所以在这两个方面来说TD learning还是略胜一筹的下面我们来接着看 TD它的另外一个性质就是它是bootstrapping bootstrapping的意思就是说我之前对一个状态的state value已经有了一个初始的猜测然后基于这个初始的猜测再加上一些新的信息我可以得到一个新的猜测那么MC learning它不是一个bootstrapping为什么呢它就是直接根据当前的episode然后我计算出来return我就用这个return来直接作为action value或者state value的这样一个估计值那这里边不涉及到之前的一些估计值另外一个性质就是TD它的估计的variance相对来说是比较小的 为什么呢就是因为在算法过程当中它涉及到的随机变量是比较少的比如说从当前的状态出发然后我会得到一个采样是关于这个reward的一个采样 然后会得到另一个采样是关于下一个状态的采样 如果是Sarsa的话它还会对下一个时刻的action再进行采样但是总的来说所涉及到的随机变量是比较少的那因为这个比较少所以相对来说我如果只用一次这个采样那它的variance是比较低的但是相反MC learning它会涉及到非常多的variable为什么呢因为它需要一个episode 这episode第一步会有一个reward第二步会有一个reward第三步就是会有很多个随机变量进来然后我有很多个随机变量那我只用一次的采样相对来说这次采样它的variance会比较高一些那我们举一个比较直观的例子假如说我现在这个episode它的长度是L假如说这个长度是100 然后我每经过一个state假如说有5个action可以来做选择然后那我一共实际上是有5的100次方个episode也就是我从当前出发 我进行随机的采样可能会有5的100次方这样个episode但是我现在只用了一个episode的数据来进行估计你可以想象它的variance会是比较大的另外一个方面就是随机变量它实际上有两个性质第一个是variance第二个是它的expectation或者是mean虽然这个TD算法它的variance是比较小的但是它的这个mean或者expectation它是有bias的为什么呢就是因为它是bootstrapping它依赖于初始的估计 如果初始的估计不太准确的话这个不准确的估计会进到这个估计的过程当中造成bias当然随着越来越多的数据进来 这个会把这个bias给抵消掉直到最后能够收敛到一个正确的一个估计值那么相反这个MC learning虽然它有比较高的variance但是因为它就是不涉及到任何的初始值所以我对它求expectation 那么它的expectation实际上就直接等于它真实的action value或者是state value 所以它是无偏估计
延伸阅读

更多相关文章

2026/11/17 23:10:16

低压电工作业证考实践报名门槛低吗?官方报名入口怎么找?

低压电工作业证考实践报名门槛低吗?官方报名入口怎么找? 学历不高怕报不上名?别担心,低压电工作业证报考条件其实没你想象中那么严格。很多人以为只有高学历才能考特种作业证,其实不然,关键看你是怎么操作的。尤其对于新乡市政公用工程从业者来说,低压…

2026/11/17 23:10:16

强电考电工证么 郑州报考避坑指南

强电考电工证么 郑州报考避坑指南 实操考试心里没底怕挂科,尤其是强电相关的电工证,很多人以为只要会操作就行,其实报考、考试、复审每一步都藏着“坑”。特别是郑州及周边地区,不少中小型施工单位在报考过程中踩过雷,今天就带你避开这些坑,顺利拿到证…

2026/11/17 23:10:16

3个实操考试挂科真实经历告诉你,特种工继续教育网址怎么用才不踩坑

3个实操考试挂科真实经历告诉你,特种工继续教育网址怎么用才不踩坑 实操考试心里没底怕挂科?这是我身边好几个准备考电工证、焊工证、登高证的人的真实经历。很多人花了几千块报名培训,结果考试时操作不熟练,直接凉凉,白白浪费时间精力。今天我从河南初…

2026/11/17 23:10:16

贵州高压电工证多少钱培训机构怎么选

贵州高压电工证多少钱培训机构怎么选 怕考不过白交培训费?贵州高压电工证多少钱?怎么报名才能不踩坑?这些问题,很多准备报考的同行都关心。尤其是对刚入行的朋友来说,培训费动辄上千,要是没通过考试,钱就白花了。所以选对培训机构和了解怎么报名,是关…

2026/11/17 22:59:51

洛阳嵩县电工证过期了怎么办?考前押题帮你轻松复审延期

洛阳嵩县电工证过期了怎么办?考前押题帮你轻松复审延期 证书过期了不知道怎么复审延期?别慌,很多人在特种作业证书管理上都踩过坑,尤其像你这种在洛阳嵩县从事电工相关工作的朋友,证件一过期,不仅影响正常工作,还可能面临违规操作的风险。好在,现在河…

2026/11/17 17:09:16

电工证考试口诉怎么准备值不值得考

电工证考试口诉怎么准备值不值得考 实操考试心里没底怕挂科,这是大多数准备考电工证的人心里最真实的感受。尤其是面对【电工证考试口诉】环节,很多人不知道该怎么准备,甚至担心自己说不好就被淘汰。其实,只要掌握方法, 值不值得考…

2026/11/17 21:35:12

桑植县考电工证千万别踩坑!报名全流程教你避坑

桑植县考电工证千万别踩坑!报名全流程教你避坑 你是不是也遇到过这种情况:想考个电工证,但不知道从哪儿下手,怕被中介坑,怕花冤枉钱,更怕考了证还不能用?别急,这正是你该看这篇文章的原因。在桑植县考电工证,确实有很多人被坑过,但只要你知道流程、…

2026/11/17 0:02:41

电工证操作和资格证有效期多久?真实经历告诉你怎么复审延期

电工证操作和资格证有效期多久?真实经历告诉你怎么复审延期 证书过期了不知道怎么复审延期,这种情况在电工圈里太常见了。我有个同事,去年刚把低压电工证给弄丢了,直到单位查岗才发现证书已经过期,差点被停工处理。今天就用我真实经历给你讲讲电工证操作…

2026/11/17 0:02:41

机修需不需要电工证 在哪考最靠谱 这些细节必须知道

机修需不需要电工证 在哪考最靠谱 这些细节必须知道 之前考的证在外省能不能转过来?这个问题几乎每个特种作业从业者都问过。特别是像你这样,之前在外省考了证,现在想在本地扎根,或者想换证、换岗的机修人员,最关心的就是【机修需不需要电工证】和【在…

2026/11/17 0:02:41

工地太忙根本没时间复习考试?真实经历告诉你电工证年检步骤是什么

工地太忙根本没时间复习考试?真实经历告诉你电工证年检步骤是什么 工地太忙根本没时间复习考试,我理解你。作为一名刚从焦作工程类院校毕业的学生,我也经历过这种困扰。电工证年检步骤是什么,听起来简单,但实际操作中,很多人因为流程不清楚、资料准备不…

2026/11/17 0:49:41

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

在智慧养宠时代,基于视觉的宠物身份识别技术正逐步从实验室走向家庭应用。然而,与配合度高的人类不同,宠物是典型的“非合作生物识别对象”——它们不会主动配合摄像头调整姿态,更无法控制光照环境。实际应用中,我们常…

2026/11/16 3:17:47

SSM电子书店源码全解析:结构、原理、部署与排错实战

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

还想了解更多?直接咨询顾问

免费诊断 + 免费方案 + 透明报价。

全国咨询热线400-8866-253
免费获取方案
☎咨询二维码 ☎ ↑