强化学习的概述

文章目录

• 1. 强化学习算法
• 2. 基于序列决策的过程
• 3. 动作空间
• 4. 智能体结构与类型分析

• • 4.1 策略设计

    • • 问题：探讨随机策略与确定性策略各自的优缺点

    • 4.2 价值函数

    • 4.3 模型

    • 4.4 类型

  • 5. 学习与规划

  • 6. 探索和利用

  • Reference

1. 强化学习

（1）定义
一个智能体（agent）如何在一个复杂不确定的环境中最大化其获得的奖励。
（2）过程
这个过程是一个系统性地、有序地、动态地探索和利用复杂不确定环境中的潜在机会的过程。

1: 智能体通过感知环境的状态，并随后生成相应的动作（即决策）
2: 环境响应所采取的行动后会给出新的状态信息以及相应的奖励

对比分析：强化学习与监督学习

（1）强化学习接收的是按时间顺序排列的数据，并不具备独立同分布假设

（2）强化学习缺乏即时反馈机制

（3）延迟奖励（即延迟奖励：delayed reward.）

通常假设样本空间