3.3　有模型方法和无模型方法的区别

在前面探讨无模型的强化学习的过程中，我们采取了两种形式，第一种是对值函数进行学习，即期望通过找到能最大化值函数的动作a来学习策略；第二种则是期望直接优化累积奖赏来学习策略π。无论是哪种方式，都没有尝试对环境进行建模，没有学习P（s′|s，a），而是在当前真实的环境中探索，得到真实的（状态，动作，奖赏值）样本，再来训练对应的方法。

与之相反，有模型方法则是在与环境进行一定数量的交互后，将收集到的样本用来构建环境的模型，然后基于此模型来模拟更多的交互，无成本地得到足够多的样本。因此，如果我们得到了环境的模型，则这种方法就不需要在真实的环境中交互，等到环境运行到某些状态时，就可以直接在构建的模型中获取这些样本，加快训练速度，降低获取样本的成本。当然，如果构建的环境模型并不准确，则会产生学习结果与真实世界差异较大甚至完全不同的风险。概括来说，有模型方法主要有如图3.2所示的几个过程。

图3.2

无模型方法一直以来都有足够多的关注，比如大家熟悉的DQN算法、TRPO算法等，都是这类方法。无模型方法必须在环境中大量探索采样、试错学习，这使得其在真实世界中遇到很多没有“模拟器”、采样有成本的问题时就很难发挥作用。比如机器人的控制训练，如果完全采用无模型的强化学习方法来训练，需要的样本数量会让大量的机器人损毁，成本巨大。相比之下，有模型方法由于其对环境的动力学特性进行建模，样本有效性更高，在样本很少的情况下学习效果更好，但是如何能够学到足够准确的模型是需要面对的难题。此外，当前的有模型方法的渐近表现，即收敛之后的性能不如无模型方法好，表3.1中对比了两类方法的优缺点。

表3.1　有/无模型方法的优缺点对比