【学习笔记】强化学习1——强化学习概述_强化学习基本原理

强化学习概述

机器学习主要分为监督学习、非监督学习、强化学习。强化学习的训练样本没有标记，根据训练样本学习迭代获得最优策略，强化学习需要与环境不断地交互学习。

强化学习的基本原理是智能体从环境中接收一个状态s，通过动作a与环境进行交互，产生下一状态s'并获得一个回报。智能体与环境不断的交互，产生更多的数据（状态和回报），并利用新的数据进一步改善自身的行为。

强化学习以求解每个状态下的最优策略为目标。

智能体的组成

策略

 表示在某状态下，执行某行为的概率。

随机性策略：根据状态输出每个可能动作的概率（分布）。

确定性策略：输出一个动作。

值函数

值函数的估计根据给定策略进行。

回报：从t时刻开始所有衰减的汇报总和。

状态值函数：从状态s开始，遵循策略 所获得的期望回报。

行为值函数：从状态s开始，遵循策略执行动作a 所获得的期望回报。

 模型

智能体对环境的一个建模。给定一个状态和行为，能够预测下一个状态和获得的回报。

研究方法

第一步：构建数学模型——马尔科夫决策模型

第二步：求解马尔可夫决策模型的最优解

重要概念

学习与规划

学习：智能体对环境模型未知，通过与环境的交互不断学习，采用试错法逐步改善策略。

规划：智能体对环境已知，根据已知的环境规划策略。

探索与利用

探索：智能体在某个状态下去尝试新的动作，以获得更多的环境信息。

利用：智能体根据已知信息，选取最优行为获得最大回报。

预测与控制

预测：在给定策略下获得状态值函数。

控制：寻找最优策略。