强化学习
- 也称增强学习。
- 强化学习就是程序或智能体（agent）通过与环境不断地进行交互学习一个从环境到动作的映射，学习的目标就是使累计回报最大化。
- 强化学习是一种试错学习，因其在各种状态（环境）下需要尽量尝试所有可以选择的动作，通过环境给出的反馈（即奖励）来判断动作的优劣，最终获得环境和最优动作的映射关系（即策略）。
举例
吃豆游戏就可以转化为一个强化学习的任务。
基本组件：
- agent：大嘴小怪物
- 环境：整个迷宫中的所有信息
- 奖励:agent每走一步，需要扣除1分，吃掉小球得10分，吃掉敌人得200分，被吃掉游戏结束。
- 动作：在每种状态下，agent能够采用的动作，比如上下左右移动。
目标：
- 策略：在每种状态下，采取最优的动作。
- 学习目标：获得最优的策略，以使累计奖励最大（即Score）。
马尔可夫决策过程（MDP）
- 马尔可夫决策过程（MarkovDecision Process）通常用来描述一个强化学习问题。
- 智能体agent根据当前对环境的观察采取动作获得环境的反馈，并使环境发生改变的循环过程。
MDP基本元素
s∈S：有限状态state集合，s表示某个特定状态;
a∈A：有限动作action集合，a表示某个特定动作；
T(S, a, S') ~ Pr(S'|s,a)：状态转移模型，根据当前状态s和动作a预测下一个状态s，这里的P，表示从s采取行动a转移到s’的概率；
R(s,a)：表示agent采取某个动作后的即时奖励，它还有R(s,a,s')，R(s)等表现形式；
Policy Π(s)→a:根据当前state来产生action，可表现为a=T(s)或Π(als) = P(als)，后者表示某种状态下执行某个动作的概率。
值函数
状态值函数V表示行策略n能得到的累计折扣奖励：
状态动作值函数Q(s,a)表示在状态s下执行动作a能得到的累计折扣奖励:
最优值函数
最优控制
在得到最优值函数之后，可以通过值函数的值得到状态s时应该采取的动作a：
蒙特卡洛强化学习
蒙特卡洛强化学习
- 在现实的强化学习任务中，环境的转移概率、奖励函数往往很难得知，甚至很难得知环境中有多少状态。若学习算法不再依赖于环境建模，则称为免模型学习，蒙特卡洛强化学习就是其中的一种。
- 蒙特卡洛强化学习使用多次采样，然后求取平均累计奖赏作为期望累计奖赏的近似。
蒙特卡洛强化学习：直接对状态动作值函数Q(s,a)进行估计，每采样一条轨迹，就根据轨迹中的所有“状态-动作”利用下面的公式对来对值函数进行更新。
每次采样更新完所有的“状态-动作”对所对应的Q(s,a)，就需要更新采样策略t。但由于策略可能是确定性的，即一个状态对应一个动作，多次采样可能获得相同的采样轨迹，因此需要借助ε贪心策略：
Q-learning算法
- 今蒙特卡洛强化学习算法需要采样一个完整的轨迹来更新值函数，效率较低，此外该算法没有充分利用强化学习任务的序贯决策结构。
- Q-learning算法结合了动态规划与蒙特卡洛方法的思想，使得学习更加高效。
Q-learning算法
假设对于状态动作对(s,a)基于t次采样估算出其值函数为：
在进行t+1次采样后，依据增量更新得到：
然后，将1/t+1替换成系数α(步长)，得到：
以γ折扣累计奖赏为例：
则值函数的更新方式如下：
Q-learning算法流程：
深度强化学习（DRL）
深度强化学习
- 传统强化学习：真实环境中的状态数目过多，求解困难。
- 深度强化学习：将深度学习和强化学习结合在一起，通过深度神经网络直接学习环境(或观察)与状态动作值函数Q(s,a)之间的映射关系，简化问题的求解。
Deep Q Network (DQN)
- Deep Q Network (DQN)：是将神经网络（neuralnetwork）和Q-learning结合，利用神经网络近似模拟函数Q(s,a)，输入是问题的状态（e.g.,图形），输出是每个动作a对应的Q值，然后依据Q值大小选择对应状态执行的动作，以完成控制。
- 神经网络的参数：应用监督学习完成。
DQN学习过程学习流程：
- 1、状态s输入，获得所有动作对应的Q值Q(s,a)；
- 2、选择对应Q值最大的动作a'并执行；
- 3、执行后环境发生改变，并能够获得环境的奖励r；
- 4、利用奖励r更新Q(s,a')--强化学习；利用新的Q(s,a')更新网络参数-监督学习。
DQN算法流程
最后的思考
今天的笔记公式真多啊，对着视频敲公式，头都晕了，10分钟的视频看了一个多小时呜呜呜。
结果上传的时候公式还要一个个截图。
今天周一满课，好累。
想玩饥荒。