强化学习简介及马尔科夫决策过程_强化学习中的平稳策略是指什么

强化学习分享

陈迪 用户策略部 2019年11月12日

1. 什么是强化学习

  强化学习（reinforcement learning, RL）是近年来大家提的非常多的一个概念，那么，什么叫强化学习？

  强化学习是机器学习的一个分支，和监督学习，非监督学习并列。

  参考文献[1]中给出了定义：

Reinforcement learning is learning what to do ----how to map situations to actions ---- so as to maximize a numerical reward signal.

  即强化学习是通过学习将环境状态转化为动作的策略，从而获得一个最大的回报。

  举个栗子[2]，在flappy bird游戏中，我们想设计一个获得高分的策略，但是却不清楚他的动力学模型等等。这是我们可以通过强化学习，让智能体自己进行游戏，如果撞到柱子，则给负回报，否则给0回报。（也可以给不撞柱子持续给1点回报，撞柱子不给回报）。通过不断的反馈，我们可以获得一只飞行技术高超的小鸟。

  通过上面例子，我们可以看到强化学习的几个特性[3]：

1. 没有label，只有奖励（reward）
2. 奖励信号不一定是实时的，很有可能延后的。
3. 当前的行为影响后续接收到的数据
4. 时间（序列）是一个重要因素

2. 强化学习的建模

  上面的大脑代表我们的智能体，智能体通过选择合适的动作(Action)$At$，地球代表我们要研究的环境，它拥有自己的状态模型，智能体选择了合适的动作$At$，环境的状态$St$发生改变，变为$S{t 1}$，同时获得我们采取动作$At$的延迟奖励$Rt$,然后选择下一个合适的动作，环境状态继续改变……这就是强化学习的思路。

  在这个强化学习的思路中，整理出如下要素[4]：

  （1）环境的状态$S$，$t$时刻环境的状态$S_t$是它的环境状态集中的某一个状态；

  （2）智能体的动作$A$，$t$时刻智能体采取的动作$A_t$是它的动作集