CN111898727A - 基于短时访问机制的强化学习方法、装置及存储介质 - Google Patents

Abstract

本公开涉及一种基于短时访问机制的强化学习方法、装置及存储介质，其中，该方法包括：配置状态缓存列表，用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；将智能体下一时刻的所有动作输入环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；将下一时刻的多个环境状态与状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态对应的动作确定为智能体在下一时刻执行的第一备选动作；根据第一备选动作执行用于强化学习的探索操作。本公开通过状态缓存列表，避免对探索过的环境状态重复探索；通过环境状态转移概率模型，强化、指导智能体对未知状态的探索，有效提高了学习效率。

Description

基于短时访问机制的强化学习方法、装置及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种基于短时访问机制的强化学习方法、装置及存储介质。

背景技术

强化学习，是指控制智能体(agent)与环境交互，以期使智能体能够在环境中获得最大奖励的学习方法。强化学习中面临的最重要问题之一是如何权衡(tradeoff)“探索”(exploration)与“利用”(exploitation)：过多依赖“探索”会降低智能体动作策略学习效率，过多依赖“利用”会导致智能体无法学习到更有效的动作策略；单纯依赖“探索”或“利用”都无法很好地完成强化学习任务。传统解决方法中通常利用基于计数的方法，即维护全局的状态计数表，对内存消耗较大；同时，通过间接添加较小的奖励的方式鼓励智能体探索访问次数少的区域，导致学习效率低。

发明内容

有鉴于此，本公开提出了一种基于短时访问机制的强化学习技术方案，用以解决智能体在强化学习过程中动作策略的学习效率低的问题。

根据本公开的一方面，提供了一种基于短时访问机制的强化学习方法，所述方法包括：

配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

根据所述第一备选动作执行用于强化学习的探索操作。

在一种可能的实现方式中，所述方法还包括：

根据所配置的动作策略模型得到智能体下一时刻执行的第二备选动作。

在一种可能的实现方式中，所述方法还包括：

根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作；

将所述指定备选动作在环境中予以执行，得到更新后的环境状态；

将所述更新后的环境状态添加到所述状态缓存列表中，控制所述智能体按照所述更新后的环境状态进行所述探索操作。

在一种可能的实现方式中，所述根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作，包括：

以q概率选择所述第一备选动作为所述指定备选动作；或者，

以1-q概率选择第二备选动作为所述指定备选动作；

其中，所述q为智能体在强化学习过程中进行探索的概率。

在一种可能的实现方式中，所述控制所述智能体按照所述更新后的环境状态进行所述探索操作，包括：

根据所述更新后的环境状态，对所述所配置的环境状态转移概率模型和所述所配置的动作策略模型进行更新，直至所述更新后的环境状态为当前回合episode探索操作的终止状态，删除所述状态缓存列表。

在一种可能的实现方式中，所述方法还包括：

当环境状态为图像数据时，对所述图像数据进行特征编码，得到表示图像数据的特征描述；

将所述特征描述作为所述所配置的环境状态转移概率模型及所述所配置的动作策略模型的输入数据。

在一种可能的实现方式中，所述所配置的环境状态转移概率模型和所述所配置的动作策略模型均采用深度神经网络。

根据本公开的另一方面，提供了一种基于短时访问机制的强化学习装置，包括：状态缓存列表配置模块，用于配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

环境状态求取模块，用于将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

第一备选动作确定模块，用于将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

探索操作模块，用于根据所述第一备选动作执行用于强化学习的探索操作。

根据本公开的另一方面，提供了一种基于短时访问机制的强化学习装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述基于短时访问机制的强化学习方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述基于短时访问机制的强化学习方法。

本公开通过状态缓存列表存储智能体在短时时间内容访问的环境状态，在智能体探索过程中，避免对探索过的环境状态重复探索，提高智能体的探索效率、降低强化学习的样本复杂度；同时，通过环境状态转移概率模型预测智能体不同动作在下一时刻对应状态，强化、指导智能体对未知状态的探索，有效提高了学习效率。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图；

图2示出根据本公开一实施例的对图像数据进行特征编码的深度神经网络结构示意图；

图3示出根据本公开一实施例的环境状态转移概率模型的深度学习神经网络结构示意图；

图4示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图；

图5示出根据本公开一实施例的动作策略模型的深度神经网络结构示意图；

图6示出根据本公开一实施例的动作策略模型的深度神经网络结构示意图；

图7示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图；

图8示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图；

图9示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图；

图10示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图；

图11示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图；

图12示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。可以理解，以下实施例仅为本公开的可选实现方式，不应理解为对本公开保护范围的实质限制，本领域技术人员可以在此基础上采用其他实现方式，均在本公开保护范围之内。

强化学习是指利用环境奖励(reward)信息指导智能体动作策略(policy)，通过试错(trial-and-error)，以期使智能体能够在环境中获得最大奖励的学习方法。近年来，强化学习在围棋、Atari游戏、机械臂控制等任务中取得瞩目成绩，受到越来越多的关注。与监督学习、非监督学习不同，强化学习中最重要的问题之一即需要解决“探索”(exploration)与“利用”(exploitation)之间的权衡(tradeoff)问题：智能体一方面需要利用过去已获得的经验、另一方面需要探索以获得更多经验。“探索-利用困境”在于过多依赖“探索”会降低智能体动作策略学习效率；过多依赖“利用”会导致智能体无法学习到更有效的动作策略；单纯依赖“探索”或“利用”都无法完成强化学习任务。

在一个随机任务中，为获取更高奖励，智能体倾向执行在过去执行、并获得较大奖励的动作；同时，智能体需要对每一个动作进行大量尝试，进而获得该动作期望奖励的可信估计。尽管科研人员进行了大量的研究工作，强化学习中智能体的“探索-利用困境”问题仍未得到有效解决。传统解决方法通常利用基于计数的策略，即维护全局的状态的计数表，对内存消耗较大；同时，在高维空间中，一般采用局部敏感哈希，像素级卷积神经网络等方法计数，而在学习过程中，高维特征也在时刻变化，导致同一状态在不同时间段对应的特征不同。另外，传统方法采用在强化学习的过程中对访问次数较少的样本添加小额奖励的方式，这种方式专注于间接添加较小的奖励鼓励智能体探索访问次数少的区域，但是并非直接去控制智能体的行为故而会导致学习缓慢。

图1示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图。如图1所示，所述方法包括：

步骤S10，配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

在一种可能的实现方式中，所述智能体(agent)为能与环境进行自主交互的软件或硬件实体，可以为机器人、无人车、无人机等任何具有独立的思想并可以同环境交互的硬件实体，还可以为调整工业生产、电梯调度、进行路径规划、游戏、棋牌等完成某一特定任务的软件。

在一种可能的实现方式中，所述短时访问机制是指：智能体在进行探索的过程中对本回合状态缓存列表中状态增量信息的内容进行访问的机制。区别于全局状态表，状态缓存列表只保存当前环境状态并更新，也就是说本公开的状态缓存列表是一种增量表；在每回合的强化学习的探索过程中，将智能体探索过的环境状态依次保存在状态缓存列表中，在同一回合中，不再选择状态缓存列表中的环境状态进行探索，避免对探索过的状态重复探索，有效降低了强化学习的样本复杂度，提高智能体的探索效率。

在一种可能的实现方式中，环境状态可以以图像数据的形式表示，当智能体执行每一步动作后，将包含当前智能体所在位置信息的环境图像数据直接作为当前环境状态；其中，环境图像数据可以通过智能体自身配置的图像采集装置直接获取，或者通过外部图像采集装置获取并实时传输到智能体。

举例来说，智能体进行迷宫游戏或者棋牌竞赛等任务时，可以以智能体执行每一步动作后，迷宫或棋盘的全局图像作为环境状态；智能体进行Ataris游戏、机械臂操作等任务时，可以以智能体执行每一步动作后，智能体所能观测到的周边环境图像作为环境状态。

在一种可能的实现方式中，环境状态可以以特征描述的形式进行表示，可以采用特征编码算法或基于深度神经网络的特征编码算法实现；将环境状态进行特征表示，减轻了强化学习过程中对环境状态进行多次特征编码的运算量，提高了强化学习的效率。

举例来说，可以通过特征编码的深度神经网络将图像数据转变为特征描述；该特征编码的深度神经网络结构，如图2所示，包括：输入层201、第一隐藏层202、第二隐藏层203、输出层204；其中，第一隐藏层202包括：卷积层20201、第一非线性层200202，第二隐藏层203包括：全连接层200301、第二非线性层200302。输入层201用于读取基于图像数据输入的环境状态。第一隐藏层202，用于提取输入层201中输入图像数据的特征信息。第二隐藏层203用于对第一隐藏层202中提取的特征信息进行组合及变换；输出层204用于输出特征表示作为输入图像数据的特征编码；适应于不同的学习环境，该深度神经网络可以包含一个或多个相连的第一隐藏层202和/或多个第二隐藏层203，当含有多个第一隐藏层202和/或多个第二隐藏层203时，当前隐藏层中非线性层的输出作为下一隐藏层中卷积层或全连接层的输入。该特征编码的深度神经网络可以通过随机形式初始化，也可以通过预训练网络模型形式初始化。

在一种可能的实现方式中，状态缓存列表可以针对智能体所在的学习环境的环境状态表示形式进行构建，在状态缓存列表中保存有智能体在执行每一动作后所处环境的状态，状态缓存列表在进行每回合强化学习的初始时仅仅保存智能体在此刻的环境状态，随着在本回合中强化学习的不断进行，将新的环境状态依次作为状态信息增量添加到状态缓存列表中。

步骤S20，将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

在一种可能的实现方式中，环境状态转移概率模型采用深度神经网络，用以预测智能体不同动作在下一时刻对应状态，强化、指导智能体对未知环境状态的探索。

举例来说，环境状态转移概率模型的深度神经网络结构，如图3所示，包括：输入层301、隐藏层302、输出层303，其中，输入层301，用于读取基于特征表示的当前环境状态30101及智能体下一时刻所有可能执行的动作30102，输入层301与隐藏层302相连，隐藏层302为全连接层30201与非线性层30202构成的组合，用于对输入层的特征信息进行组合及变换；输出层303输出隐藏层302进行组合及变换后的特征信息，并将此特征信息作为输入当前环境状态、在执行某一动作后，转移到新的环境状态的特征表示。适应于不同的学习环境，该深度神经网络可以包含一个或多个相连的隐藏层302，当含有多个隐藏层302时，当前隐藏层中非线性层的输出作为下一隐藏层中全连接层的输入。

在一种可能的实现方式中，当前环境状态为图像数据时，可以通过图2中的特征编码的深度神经网络对所述图像数据进行特征编码，得到表示图像数据的特征描述；将所述图像数据的特征描述及下一时刻的所有可能动作作为所述环境状态转移概率模型的输入数据，依次得到执行每一可能动作得到的下一时刻的环境状态。

通过环境状态转移概率模型预测智能体不同动作在下一时刻对应环境状态，强化、指导智能体对未知环境状态的探索，有效提高了学习效率。

步骤S30，将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

在一种可能的实现方式中，可以通过基于距离或基于模型的差异比较方法，将下一时刻的多个环境状态依次与状态缓存列表中的状态增量信息(已有环境状态)进行逐一比较，并得到多个比较结果，对比较结果进行判断，选取表征环境状态差异最大的比较结果，并将此比较结果对应的所述多个环境状态中的环境状态所对应的动作作为智能体在下一时刻执行的第一备选动作。

举例来说，将下一时刻的多个环境状态及状态缓存列表中的环境状态进行特征表示后，可以利用L1或L2距离求取分属于下一时刻的多个环境状态及状态缓存列表中的环境状态两两之间的距离，距离越大表明两个环境状态之间的差异越大，选取距离最大的两个环境状态，并进一步在两个环境状态中选择属于下一时刻的多个环境状态之一的环境状态，进而将此环境状态所对应的动作作为智能体在下一时刻执行的第一备选动作。

步骤S40，根据所述第一备选动作执行用于强化学习的探索操作。

在本实施例中，所述环境状态转移概率模型与状态缓存列表共同构成智能体短时访问机制；通过状态缓存列表存储智能体在短时时间内容访问的环境状态，在智能体在探索过程中，避免对探索过的环境状态重复探索，提高智能体的探索效率、降低强化学习的样本复杂度；同时，通过环境状态转移概率模型预测智能体不同动作在下一时刻对应环境状态，强化、指导智能体对未知环境状态的探索，有效提高了智能体强化学习效率。

图4示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图。如图4所示，所述方法还包括：

步骤S50，根据所配置的动作策略模型得到智能体下一时刻执行的第二备选动作。

在一种可能的实现方式中，可以在确定下一时刻的第一备选动作之后，通过所配置的动作策略模型确定下一时刻的第二备选动作；也可以先通过动作策略模型确定下一时刻的第二备选动作，然后再确定下一时刻的第一备选动作。

在一种可能的实现方式中，动作策略模型可以为DQN结构，采用深度神经网络，利用贪心策略，根据Q值确定第二备选动作。其中，深度神经网络的结构可以根据智能体进行强化学习时所在的环境进行搭建和配置。

举例来说，输入的环境状态为图像数据形式时，动作策略模型的深度神经网络的结构如图5所示，包括：输入层501、第一隐藏层502、第二隐藏层503、输出层504；其中，输入层501，用于读入基于图像数据输入的环境状态。第一隐藏层502为一个或多个卷积层50201和第一非线性层50201构成的组合，用于提取输入层501中图像数据的特征信息，并输出到第二隐藏层503中；第二隐藏层503为一个或多个全连接层50301及第二非线性层50302构成的组合，用于对特征信息进行组合及变换得到动作状态值；输出层504输出所述动作状态值(动作-状态对的数值)。适应于不同的学习环境，该深度神经网络可以包含一个或多个相连的第一隐藏层502和/或多个第二隐藏层503，当含有多个第一隐藏层502和/或多个第二隐藏层503时，当前隐藏层中非线性层的输出作为下一隐藏层中卷积层或全连接层的输入。

举例来说，输入的环境状态为特征描述形式时，该深度神经网络的结构，如图6所示，包括：输入层601、隐藏层602、输出层603；其中，输入层601，用于读入基于特征表示的环境状态。隐藏层602包括：全连接层60201与非线性层60202，用于组合、变换输入层中的特征信息，得到动作状态值，输出层604输出所述动作状态值。适应于不同的学习环境，该深度神经网络可以包含一个或多个相连的隐藏层602，当含有多个隐藏层602时，当前隐藏层中非线性层的输出作为下一隐藏层中全连接层的输入。

在一种可能的实现方式中，当环境状态为图像数据时，对所述图像数据进行特征编码，得到表示图像数据的特征描述；将所述特征描述作为所述所配置的动作策略模型的输入数据，所述动作策略模型结构可以为附图6中所示的深度神经网络结构。

图7示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图。如图7所示，所述方法还包括：

步骤S60，根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作；

在一种可能的实现方式中，所述预设策略可以为：以q概率选择所述第一备选动作为所述指定备选动作；或者，以1-q概率选择第二备选动作为所述指定备选动作；其中，所述q为智能体在强化学习过程中进行探索的概率。

举例来说，q的初始值设置为0.1，在经过智能体执行若干个动作之后线性递减到0.01。

在一种可能的实现方式中，第一备选动作与第二备选动作可以为不同或相同的动作，当智能体下一时刻可能执行的动作唯一时，此时，下一时刻的环境状态唯一，第一备选动作与第二备选动作相同。

步骤S70，将所述指定备选动作在环境中予以执行，得到更新后的环境状态；

步骤S80，将所述更新后的环境状态添加到所述状态缓存列表中，控制所述智能体按照所述更新后的环境状态进行所述探索操作。

在一种可能的实现方式中，智能体每执行完一步新的指定备选动作后，将得到的更新后的环境状态作为新的环境状态增量，添加到所述状态缓存列表中，至此，环境状态增量包含有本回合中智能体目前为止执行所有指定备选动作后得到的更新后的环境状态。

在一种可能的实现方式中，所述控制所述智能体按照所述更新后的环境状态进行所述探索操作，包括：根据所述更新后的环境状态，对所述所配置的环境状态转移概率模型和所述所配置的动作策略模型进行更新，直至所述更新后的环境状态为当前回合(episode)探索操作的终止状态，删除所述状态缓存列表。

在一种可能的实现方式中，当智能体每执行一指定备选动作，得到更新后的环境状态后，即对动作策略模型及所述环境状态转移概率模型进行更新，根据所述当前环境状态、更新后的环境状态、指定备选动作，更新所述动作策略模型及所述环境状态转移概率模型。

其中，在更新所述动作策略模型时，可以通过全局状态缓存列表中的当前环境状态、更新后的环境状态、指定备选动作及智能体执行所述指定备选动作获得奖励回报进行更新。根据强化学习要素：(s,a,s’,r)元组信息，利用贝尔曼最优方程更新Q值函数，利用随机梯度下降法(Stochastic Gradient Descent,SGD)等神经网络更新方法更新深度神经网络，损失函数可以为：L＝(r+gamma*max{a’}q(s’,a’)-q(s,a))²，其中，s为当前时刻状态，a智能体当前时刻执行的指定备选动作，s’为更新后的环境状态，r为智能体当前时刻执行指定备选动作后获得奖励，a’为智能体下一时刻的第二备选动作。

在更新所述环境状态转移概率模型时，通过全局状态缓存列表中的当前环境状态、更新后的环境状态、指定备选动作进行更新。可以根据(s,a,s’)元组信息(其中，s为当前时刻状态，a智能体执行的指定备选动作，s’为更新后的环境状态)，利用监督学习方法进行更新。

在一种可能的实现方式中，判断更新后的环境状态是否为当前回合终止状态，若判断更新后的环境状态不是当前回合终止状态，则重复上述步骤S20-S80，继续进行当前回合最新环境状态下的强化学习；若判断更新后的环境状态为当前回合终止状态，则清空状态缓存列表，重新执行步骤S10-S80，进入下一回合的强化学习；

图8示出根据本公开一实施例的基于短时访问机制的强化学习方法的流程图，如图8所示，所述方法还包括：

步骤S90，判断动作策略模型是否完成学习过程，若否，则重复上述步骤，进入下一回合学习；若是，则输出最新的动作策略模型。

在一种可能的实现方式中，当进行完本回合学习后，如果在最近N个回合内动作-状态值曲线收敛，则判定动作策略模型完成强化学习，并输出本回合的动作策略模型。其中，N的具体数值可以根据学习任务的需要进行设定，可以为：100、1000、10000等任意数值。

在本实施例中，通过基于短时访问机制的强化学习方法，有效提高了智能体动作策略的学习效率。

图9示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图，如图9所示，所述装置包括：

状态缓存列表配置模块10，用于配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

在一种可能的实现方式中，状态缓存列表配置模块10还包括特征编码子模块，用于当环境状态为图像数据时，对所述图像数据进行特征编码，得到表示图像数据的特征描述。

环境状态求取模块20，用于将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

第一备选动作确定模块30，用于将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

探索操作模块40，用于根据所述第一备选动作执行用于强化学习的探索操作。

在本实施例中，所述环境状态转移概率模型与状态缓存列表共同构成智能体短时访问机制；通过状态缓存列表存储智能体在短时时间内容访问的环境状态，在智能体在探索过程中，避免对探索过的环境状态重复探索，提高智能体的探索效率、降低强化学习的样本复杂度；同时，通过环境状态转移概率模型预测智能体不同动作在下一时刻对应环境状态，强化、指导智能体对未知环境状态的探索，有效提高了智能体强化学习效率。

图10示出根据本公开一实施例的基于短时访问机制的强化学习装置的结构图，如图10所示，所述装置还包括

第二备选动作确定模块50：用于根据所配置的动作策略模型得到智能体下一时刻执行的第二备选动作。

在一种可能的实现方式中，以q概率选择所述第一备选动作为所述指定备选动作；或者，以1-q概率选择第二备选动作为所述指定备选动作；其中，所述q为智能体在强化学习过程中进行探索的概率。

指定备选动作确定模块60：用于根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作；

指定备选动作执行模块70：用于将所述指定备选动作在环境中予以执行，得到更新后的环境状态；

更新模块80：用于将所述更新后的环境状态添加到所述状态缓存列表中，控制所述智能体按照所述更新后的环境状态进行所述探索操作。

在一种可能的实现方式中，所述更新模块80还包括：

状态缓存列表更新子模块801，用于将所述更新后的环境状态作为新的状态增量信息添加到所述状态缓存列表中，直至所述更新后的环境状态为当前回合episode探索操作的终止状态，删除所述状态缓存列表。

环境状态转移概率模型更新子模块802，用于根据所述更新后的环境状态，对所述所配置的环境状态转移概率模型进行更新。

动作策略模型更新子模块802，用于根据所述更新后的环境状态，对所述所配置的动作策略模型进行更新。

在一种可能的实现方式中，所述所配置的环境状态转移概率模型和所述所配置的动作策略模型均采用深度神经网络。

任务完成判断模块90：用于判断动作策略模型是否完成学习任务，若否，则进入下一回合学习；若是，则输出最新的动作策略模型。

图11示出根据一示例性实施例示出的一种用于基于短时访问机制的强化学习的装置800的结构图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图11，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图12是根据一示例性实施例示出的一种用于基于短时访问机制的强化学习的装置1900的结构图。例如，装置1900可以被提供为一服务器。参照图12，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或结构图的每个方框以及流程图和/或结构图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或结构图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或结构图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于短时访问机制的强化学习方法，其特征在于，所述方法包括：

配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

根据所述第一备选动作执行用于强化学习的探索操作。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所配置的动作策略模型得到智能体下一时刻执行的第二备选动作。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作；

将所述指定备选动作在环境中予以执行，得到更新后的环境状态；

将所述更新后的环境状态添加到所述状态缓存列表中，控制所述智能体按照所述更新后的环境状态进行所述探索操作。

4.根据权利要求3所述的方法，其特征在于，所述根据预设策略，选择将所述第一备选动作或所述第二备选动作确定为指定备选动作，包括：

以q概率选择所述第一备选动作为所述指定备选动作；或者，

以1-q概率选择第二备选动作为所述指定备选动作；

其中，所述q为智能体在强化学习过程中进行探索的概率。

5.根据权利要求3或4所述的方法，其特征在于，所述控制所述智能体按照所述更新后的环境状态进行所述探索操作，包括：

根据所述更新后的环境状态，对所述所配置的环境状态转移概率模型和所述所配置的动作策略模型进行更新，直至所述更新后的环境状态为当前回合episode探索操作的终止状态，删除所述状态缓存列表。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

当环境状态为图像数据时，对所述图像数据进行特征编码，得到表示图像数据的特征描述；

将所述特征描述作为所述所配置的环境状态转移概率模型及所述所配置的动作策略模型的输入数据。

7.根据权利要求2至4任一项所述的方法，其特征在于，所述所配置的环境状态转移概率模型和所述所配置的动作策略模型均采用深度神经网络。

8.一种基于短时访问机制的强化学习装置，其特征在于，包括：

状态缓存列表配置模块，用于配置状态缓存列表，所述状态缓存列表用于存储智能体在符合预设短时访问机制情况下当前环境状态变化得到的状态增量信息；

环境状态求取模块，用于将智能体下一时刻的所有动作输入所配置的环境状态转移概率模型中，输出所有动作对应下一时刻的多个环境状态；

第一备选动作确定模块，用于将所述下一时刻的多个环境状态与所述状态缓存列表中状态增量信息进行比对，将多个环境状态中差异最大的环境状态所对应的动作确定为智能体在下一时刻执行的第一备选动作；

探索操作模块，用于根据所述第一备选动作执行用于强化学习的探索操作。

9.一种基于短时访问机制的强化学习装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过调用所述可执行指令实现如权利要求1-8中任意一项所述的方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。

Images