强化学习初印象
由于工作需要，今天要了解一下强化学习。虽然之前Alpha Go和星际游戏的AI新闻让我对强化学习如雷贯耳，但从来没有想到过和自己联系在一起。机器学习有本好书是周志华的《机器学习》，通俗易懂，正好最后一个章节就是讲的是强化学习，觉得是比较适合自己的入门好资料。果然，通读之后对强化学习的基本概念和算法有了个初印象，感觉很有收获，不过为了以后查阅方便，在这里算作笔记吧。
1. 强化学习的一般定义
强化学习通常用马尔可夫决策过程(Markov Decision Process, MDP)表示; 环境E, 状态空间X，动作空间A，状态x经动作a后由转移函数P转移到另一个状态x’；在状态转移的同时，环境会根据反馈函数R给机器一个奖赏r。即强化学习任务对应四元组E=
机器要做的是通过在环境中不断地尝试而学得一个“策略”，根据这个策略F，在状体x下就能得知要执行的动作a=F(x)。策略有两种表示方法：一种是确定性策略F:X->A；另一种是概率策略F:X*A->R。策略的优劣取决于长期执行这一策略后得到的累计奖赏。强化学习的目的就是要找到能使长期累积奖赏最大化的策略。长期累积奖赏的计算方法有两种:a) T步累积奖赏；b)gama折扣累积奖赏。
强化学习与监督学习的异同：1)强化学习的状态对应监督学习的“示例”或样本，“动作”对应监督学习的“标记”，强化学习的“策略”对应监督学习的“分类器”。2）不同的是强化学习没有标记好的样本，而是通过采取动作后的反馈来学习之前的动过是否合理，即强化学习的标记是学习而来的，具有延迟的。
2. 强化学习模型
强化学习如何最大化长期累积奖赏呢？有三种策略：1. 最大化单步奖赏的贪心策略；2. 有模型的动态规划算法；3. 免模型学习。
2.1 单步奖赏的贪心策略
欲最大化单步奖赏需考虑两个方面：1.需要知道每个动作带来的奖赏，这通常不是一个确定值，而是来自一个概率分布;2.执行奖赏最大的动作。前一个被称为“探索”，后一个被称为“利用”。这对应一个理论模型“K-摇臂赌博机”。
2.2 有模型学习
假定强化学习四元组
对所有策略选择最优策略则是进行“策略迭代”：从一个初始策略（通常是随机策略）出发，先进行策略评估，然后改进策略，评估改进的策略，再进一步改进策略，…，不断迭代进行策略评估和改进，直至策略收敛。
2.3 免模型学习
现实的强化学习任务，环境的转移概率和奖赏函数很难提起获知，那么如何计算最优的策略呢？
2.3.1 蒙特卡罗强化学习
使用蒙特卡洛采样，进行多次采样，然后求取平均累积奖赏作为期望累积奖赏的近似，由于采样必须为有限次数，所以该方法更适合于T步累积奖赏，而不是r折扣累积奖赏。采样方法是：对每个状态按照一定该概率采样出一个执行动作，然后转移到下一个状态后继续采样动作，直至策略的采样轨迹完成
以上采样动作采用的是e-贪心策略：以概率e均匀地从动作集合A中选取动作；以1-e概率选取当前最优策略：
2.3.2 时序差分模型
蒙特卡罗方法在完成一个采样轨迹再更新策略的值估计，而动态规则策略是每执行一步策略就进行值函数的更新。时序差分学习结合使用蒙特卡洛方法和动态规划方法，比蒙特卡洛方法更高效，其算法被称为Q-学习算法。
2.3.3 模仿学习
前述强化学习都是机器获得的反馈信息仅有多步决策后的累积奖赏，而在现实任务中，往往能够得到人类专家的决策过程范例。即除了环境反馈之外，强化学习还能利用专家范例，这被称为模仿学习。
很多强化学习的“状态-动作对”搜索空间巨大，基于累积奖赏来学习很多步之前的合适决策非常困难，更好的办法是直接模仿人类专家的“状态-动作对”选择，这被称为“直接模仿学习”。
直接模仿学习：
逆强化学习：
很多任务中，设计奖赏函数很困难，从人类专家提供的范例数据中反推出奖赏函数有助于解决该问题。这就是逆强化学习：欲使机器做出与范例一致的行为，等价于在某个奖赏函数的环境中求解最优策略，该策略所产生的轨迹与范例数据一致。
3. 进一步入门
进一步研究强化学习，好的资源如下：
1. 强化学习的学习仓库，https://github.com/applenob/rl_learn
2. 强化学习从入门到放弃的资料，https://github.com/wwxFromTju/awesome-reinforcement-learning-zh
3. 学习强化学习（包括代码，练习和解决方案), http://www.wildml.com/2016/10/learning-reinforcement-learning/
4. Web安全之强化学习与GAN, https://download.csdn.net/download/qq_38327551/10569407
最后一个是安全领域对强化学习的应用，可以看作是一个实操性强的例子。