强化学习中的蒙特卡洛（monte-carlo）算法和时序差分算法

【未完成】

蒙特卡洛

蒙特卡洛是一类通用算法，思想是通过随机采样逼近真实，这里只介绍在强化学习中的应用。
最初的想法应该是连续运行多个周期，比如经历了两次(s, a)，并且计算了对应的Gt，那么q(s,a)取之平均就可以了，但实际上，为了优化策略或者值函数，不能这样多次采样后直接计算，而是每次采样（一周期）就迭代计算并更新。

特点

周期性更新：

一整个周期结束了（到达了终点）才回进行一个更新（更新所有经历过的state的value）
所以是无偏估计,所谓无偏估计就是，随机变量的期望就是理想值，有偏估计就是随机变量的期望也不是理想值，不论怎样都有偏差。

First-Visit：

第一个周期经历了 某个状态s，第二个周期也第一次经历了这个状态s，待第二个周期结束之后，计算出了第二个周期s对应的G值

（G = 这一步的reward + 打折系数 ^ 1 * 下一步的reward + 打折系数 ^ 2 * 下下步的reward ... + 打折系数 ^ 从s开始走了多少步 * 最后一步的reward ），

然后更新（把第一个周期s的G和第二个周期的s的G取平均得到状态s的value）。

如果第二个周期在后面又一次经历了这个状态s，不用于计算

即每个周期的s的value的更新都是本次的G和前面所有周期的G值的和取平均

Every-Visit

和First-Visit的区别就是，如果第二个周期在后面又一次经历了这个状态s，同样算的G值加进去取平均，得到value。
即每个周期的s的value的更新都是本周期所有经历过的状态S的G和前面所有周期所有经历过的状态S的G的和取平均。

时序差分

特点：

可以用于非周期，就是没有terminal，学习材料是前面的经历
在周期内就更新，不需要等到整个周期结束；
学习的材料是上一个周期
所以是有偏估计

最简单的时序差分/TD(0)

在本次周期中经历了状态St，现在要根据目标（target）更新St的value
先根据本周的策略向后走一步，那么就处于状态St+1
用于学习的target  = 本周期中状态St的reward + 打折系数 * St+1的value（这里的value不一定是上个周期的结果，也可能本周期上次经历了St+1时更新过）

用于学习的误差（error） = 用于学习的target - St 的 value

向后N步的时序差分/TD(N)

现在处于本周期的St状态，那么现在根据本周期的策略向后走N步，那么就处于St+n状态，同时也或者了n步中的n个reward，然后更新St的value

lambda时序差分/TD(λ)

综合使用了TD(N) N从 0 到 无穷（到周期结束），
0  到 无穷赋予不同的权重， 越靠前越大，权重的和 = 1，

forwardview

forwardview 就是上面讲的思想，要求走完整个周期，这样就和蒙特卡洛的要求一样了。
online forward-view ：
因为off-line要求走完整个周期，在实际情况中不好用，所以又提出了online-forward-view，就是对步数进行截断，不走到结束，而是从t往后走h步，把t+h当做终点带入forward-view，公式即可。

backwardview

backwardview逼近off-line的TD(λ)。
在每个周期开始，资格迹初始化为0，之后每一步增加一个value的梯度，上一步的资格迹在下一步乘上了一个打折系数。这样看，资格迹就是对value的梯度的修正，在更新公式中代替value梯度的位置。

True on-line TD(λ)：
online forward-view 是理论上准确率很高的算法，但是计算量很大，可以考虑使用资格迹，公式太过复杂，不写了