我怎样才能正确定义这个 RL 动作空间？

Question

我正在考虑如何在我的 RL 问题中定义动作空间。目标是尝试许多不同的 RL 算法（基于价值、基于策略和混合），以便在问题的不同变体中比较它们的性能。

强化学习问题

环境包含物品。每一项都是一段文字。现有/可能项目的数量是infinite。可以消耗物品。任务是偶发的。在每一集中，智能体都会收到一份已消费物品列表

s_t

，以及一组候选物品

C_t

。

C_t

是一组有限的项目，但基数因剧集而异。在每个时间步长

t

，代理从

i_t

中选择一个项目

C_t

作为要约。环境要么消耗要么留下

i_t

。在这两种情况下，

i_t

都从

C_t+1

中删除。如果

i_t

被消耗，它被附加到

s_t

。如果物品被消耗（左），则奖励为 1 (0)。当

C_t

为空时，剧集结束。这意味着环境最终会消耗掉所有好的物品，但是由于打折，代理应该先提供好的物品。

• State：按消费顺序排列的先前消费项目列表

  s_t

  ，以及新项目的候选集

  C_t

  .
• 行动：提供消费品。
• 奖励：如果所提供的物品被消耗（左），则为 1（0）。

每个项目

i

（一段文本）都可以表示为n维嵌入向量

v_i = [v_1, v_2, ..., v_n]

，其中

v_j

是实数，

-1 ≤ v_j ≤ 1

代表

j = 1, 2, ..., n

.

状态是实数的m维向量

s_emb

，由

s_t

中的项目的嵌入向量构成。

我正在尝试找到动作空间的良好表示。

可能的行动空间定义（？）

我想到了以下3种方法：

1.) 动作表示是所提供项目

v_i

的嵌入向量

i

。在 value-based 方法中，可以将

s_emb

和

v_i

作为 DQN 的输入，并对

C_t

中的每个项目执行此操作。它效率低下，因为我们不能一次为所有项目发出 Q 值，但它有效。在基于策略的方法中，这种方法很棘手。像 REINFORCE 这样的算法会输出一个嵌入向量

v'

（或者据我所知，向量中每个元素的均值和方差？）。要找到要提供的项目，

v'

必须与

C_t

中项目的所有嵌入向量进行比较。我是否正确认为这适用于 PPO 或 REINFORCE 等 基于策略的 方法？ 缺点：

v'

是在不知道

C_t

的情况下产生的，因为

C_t

不在状态表示中。

2.) 从C_t中随机抽取一块大小为

k

的块。在每个时间步，智能体都会提供块中的一个项目，并且块中会重新填充剩余

C_t

中的一个项目。这将允许将块中项目的嵌入向量附加到状态（这在方法 1 中是不可能的，因为

C_t

的大小会变化，因此如果不先嵌入

C_t

就无法构建 NN以固定大小表示）。这将问题从连续的动作空间转移到离散的动作空间。在每个时间步，都有 k 可用的操作，“提供项目 1”，“提供项目 2”，...。现在，如果我是正确的，则可以毫无问题地使用 REINFORCE 或 PPO。 缺点：智能体在每个时间步只有 k 个项目可供选择，这可能不会导致最优订单。

3.) 锦标赛风格系统：

C_t

中的所有项目都被放入比赛的锦标赛支架中。在每场比赛中，

i

和

j

两个项目竞争，所以状态是

s_emb

，

v_i

和

v_j

的串联。该动作是一个离散的二元动作，表示是否提供

i

或

j

。在实际向环境提供相应的项目之前，代理将遍历整个组别并确定锦标赛的获胜者。我不确定这种方法是否可以用 REINFORCE 或 PPO 执行。

我在问什么？

我正在寻找有关所列方法的反馈。我错了，还是完全误解了什么？还有哪些适合的方法？是否有处理类似 RL 问题的文献或现有项目？