强化学习

机器学习算法完整版见fenghaootong-github

强化学习原理（RL）

RL与有监督学习、无监督学习的比较：

• 有监督的学习是从一个已经标记的训练集中进行学习，训练集中每一个样本的特征可以视为是对该situation的描述，而其label可以视为是应该执行的正确的action，但是有监督的学习不能学习交互的情景，因为在交互的问题中获得期望行为的样例是非常不实际的，agent只能从自己的经历（experience）中进行学习，而experience中采取的行为并一定是最优的。这时利用RL就非常合适，因为RL不是利用正确的行为来指导，而是利用已有的训练信息来对行为进行评价。

• 因为RL利用的并不是采取正确行动的experience，从这一点来看和无监督的学习确实有点像，但是还是不一样的，无监督的学习的目的可以说是从一堆未标记样本中发现隐藏的结构，而RL的目的是最大化reward signal。

• 总的来说，RL与其他机器学习算法不同的地方在于：其中没有监督者，只有一个reward信号；反馈是延迟的，不是立即生成的；时间在RL中具有重要的意义；agent的行为会影响之后一系列的data。

• 没有教师信号，也没有label。只有reward，其实reward就相当于label。

• 反馈有延时，不是能立即返回。
• 相当于输入数据是序列数据。
• agent执行的动作会影响之后的数据。

强化学习的关键要素

• environment
• reward
• action
• state

从要完成的任务提取一个环境，从中抽象出状态(state) 、动作(action)、以及执行该动作所接受的瞬时奖赏(reward)。

Reward

reward通常都被记作Rt$R_t$，表示第t个time step的返回奖赏值。所有强化学习都是基于reward假设的。reward是一个scalar。

Action

action是来自于动作空间，agent对每次所处的state用以及上一状态的reward确定当前要执行什么action。执行action要达到最大化期望reward，直到最终算法收敛，所得的policy就是一系列action的sequential data。

state

就是指当前agent所处的状态。具体来讲，例如玩pong游戏，该游戏的状态就是当前time step下小球的位置。而Flappy bird状态就是当前小鸟在平面上的位置。

policy

policy就是只agent的行为，是从state到action的映射，分为确定策略和与随机策略，确定策略就是某一状态下的确定动作a=π(s)$a=\pi (s)$, 随机策略以概率来描述，即某一状态下执行这一动作的概率：π(a|s)=P[At=a|St=s]$\pi (a|s)=P[A_t=a|S_t=s]$。

value function

因为强化学习今本上可以总结为通过最大化reward来得到一个最优策略。但是如果只是瞬时reward最大会导致每次都只会从动作空间选择reward最大的那个动作，这显然不是我们想要的，所以为了很好地刻画是包括未来的当前reward值最大（即使从当前时刻开始一直到状态达到目标的总reward最大）。因此就构造了值函数（value function）来描述这一变量。表达式如下：

Vπ(s)=E[Rt+1+γRt+2+γ2Rt+3+...|St=s]$V_{\pi }(s)=E[R_{t+1}+\gamma R_{t+2}+{\gamma }^2{R}_{t+3}+...|S_t=s]$

γ$\gamma$是一个取值在[0,1]的数，就是为了减少未来的reward对当前动作的影响。然后就通过选取合适的policy使value function最大

model

model就是用来预测环境接下来会干什么，即在这一状态的情况下执行某一动作会达到什么样的状态，这一个动作会得到什么reward。所以描述一个模型就是用动作转移概率与动作状态reward。具体公式如下：

pass′=P[St+1=s′|St=s,At=a]$p_{s{s}^{{}^{\prime }}}^a=P[S_{t+1}=s^{{}^{\prime }}|S_t=s,A_t=a]$

Ras=E[Rt+1|St=s,At=a]$R_s^a=E[R_{t+1}|S_t=s,A_t=a]$

增强学习

实例

强化学习应用实例