强化学习（Reinforcement learning）

强化学习又称增强学习。

 

强化学习要解决的问题：

一个能够感知环境的自治智能体（Agent），如何通过学习选择能够达到目标的最优动作，即强化学习Agent的任务是从环境收集的数据，并作出相应的动作，此动作的表达将收到激励或者惩罚，以改进Agent对环境的决策。

 

强化学习的特征：

1. Agent不是静止的、被动的等待，而是主动对环境做出试探；

2. 环境对试探动作反馈的信息是评价性的；

3. Agent在行动-评论的环境中获得知识，改进行动方案以适应环境，达到预期目的。

 

强化学习的特点：

1. 强化学习是一种弱的学习方式，体现为：Agent通过与环境不断地试错交互来进行学习；强化信号可能是稀疏且合理延迟的；不要求（或要求较少）先验知识；

2. 强化学习是一种增量式学习，并可以在线使用；

3. 强化学习可以应用于不确定性环境；

4. 强化学习可以与监督学习、智能探索和结构控制等结合使用。

 

强化学习的基本要素：

1. 策略

2. 值函数

3. 回报函数

4.环境模型（非必需）