强化学习——基本概念

什么是强化学习

• 强化学习关注与智能体（agent）如何与环境交互中不断学习以完成特定的目标。
• 与有监督学习相比， 不需要告诉智能体数据以及对应的标签，学习相应的模型。
  而是需要智能体在环境中一次次学习（哪些数据对应哪些标签），从而学习规律知道策略。
• 强化学习是希望智能体在环境中根据当前状态，采取行动，转移到下一个状态，获得回报。不断进行这样的过程，从而学习到一个策略（状态到动作的映射，即当前状态下，采取什么样的行动，能使得我最终获得的回报最大【不仅只是当前状态的而回报，一个策略π的长期影响才是至关重要的】）

强化学习中的基本概念

两个交互对象：

• 智能体（agent）：可以感知外界环境的状态（State）和反馈的奖励（Reward），并进行学习和决策．智能体的决策功能是指根据外界环境的状态来做出不同的动作（Action），而学习功能是指根据外界环境的奖励来调整策略．
• 环境：是智能体外部的所有事物，并受智能体动作的影响而改变其状态，并反馈给智能体相应的奖励。

基本要素：

• 状态（state）：对环境的描述，可以是离散的或连续的。状态空间$S$。
• 动作(action)：是对智能体行为的描述，可以是离散的或连续的，动作空间$A$。
• 策略$\pi (a|s)$：智能体根据当前状态s，决定下一步做出的动作a。
  • 确定性策略：$\pi$是一个函数映射，$S\to A$。
  • 随机性策略：$\pi$是一个概率分布，${\sum }_{a\in A}\pi (a|s)=1$
• 状态转移概率$p(s^{\prime }|a,s)$：智能体根据当前状态 做出一个动作 之后，环境在下一个时刻转变为状态′ 的概率。
• 即时奖励$r(s^{\prime },s,a)$：是一个标量函数，即智能体根据当前状态 做出动作 之后，环境会反馈给智能体一个奖励，这个奖励也经常和下一个时刻的状态′ 有关．

什么是马尔可夫决策过程

• 如果状态和动作都是离散的时候，可以把智能体与环境的交互看成一个离散的序列。
  $s_0,a_0,s_1,r_1,a_1,s_2......s_t,r_t,a_t...$
  如下图所示：
  

• 此时，将智能体与环境的交互看成一个马尔可夫决策过程
  $p(s_{t+1}|s_t,a_t,s_{t-1},.....s_0,a_0)=p(s_{t+1}|s_t,a_t)$
  其决策过程如下图所示：
  

• 马尔可夫决策过程的轨迹：
  

以上图片来源：《神经网络与深度学习》

强化学习中Model-based与Model-free的区别

用的马尔可夫决策过程定义强化学习任务

• Model-based：如果四元组的元素都已知，而且状态集合、动作集合在有限步数内是有限集，则机器可以对真实的环境建模，构建一个虚拟世界来模拟真实环境的状态和交互反应。
  换句话说，如果及其中能够到状态转移函数和奖励函数，就可以直接在虚拟的环境中学习和规划策略即可。
• Model-free：但实际中，很难知道马尔可夫决策过程的所有元素，对于状态转移和奖励函数都不好估计，甚至环境都是未知的，所以就要采用model free的方法，智能体只能在真实环境中通过一定策略来执行动作，等待奖励和状态转移，然后根据反馈的信息来更新行为策略，从而反复迭代学习到最优策略。

区别

• model free：