斯坦福大学公开课 ：机器学习课程（Andrew Ng）——15、无监督学习：Reinforcement Learning and Control

    在之前的讨论中，我们总是给定一个样本x，然后给出或者不给出label y。之后对样本进行拟合、分类、聚类或者降维等操作。然而对于很多序列决策或者控制问题，很难有这么规则的样本。比如，四足机器人的控制问题，刚开始都不知道应该让其动那条腿，在移动过程中，也不知道怎么让机器人自动找到合适的前进方向；比如，象棋的AI，每走一步实际上也是一个决策过程，虽然对于简单的棋有A*的启发式方法，但在局势复杂时，仍然要让机器向后面多考虑几步后才能决定走哪一步比较好，因此需要更好的决策方法。

    对于这种控制决策问题，有这么一种解决思路。我们设计一个回报函数（reward function），如果learning agent（如上面的四足机器人、象棋AI程序）在决定一步后，获得了较好的结果，那么我们给agent一些正回报，得到较差的结果，那么回报函数为负。比如，四足机器人，如果他向前走了一步（接近目标），那么回报函数为正，后退为负。如果我们能够对每一步进行评价，得到相应的回报函数，那么就好办了，我们只需要找到一条回报值最大的路径（每步的回报之和最大），就认为是最佳的路径。

   增强学习在很多领域已经获得成功应用，比如自动直升机，机器人控制，手机网络路由，市场决策，工业控制，高效网页索引等。

   增强学习的一些重要概念有：马尔科夫决策过程、值迭代和策略迭代法、Q-learning、、、

1）马尔科夫决策过程

MDP的动态过程如下：某个agent的初始状态为，然后从A中挑选一个动作执行，执行后，agent按概率随机转移到了下一个状态，。然后再执行一个动作，就转移到了，接下来再执行…，我们可以用下面的图表示整个过程

   

我们定义经过上面转移路径后，得到的回报函数之和如下

   

    如果R只和S有关，那么上式可以写作

   

    我们的目标是选择一组最佳的action，使得全部的回报加权和期望最大。

   

    从上式可以发现，在t时刻的回报值被打了的折扣，是一个逐步衰减的过程，越靠后的状态对回报和影响越小。最大化期望值也就是要将大的尽量放到前面，小的尽量放到后面。

关于值迭代和策略迭代法，不打算写了，其实比较简单，参考：http://www.cnblogs.com/jerrylead/archive/2011/05/13/2045309.html

比较经典的教材还有：《Machine Learning（Tom M. Mitchell）》第13章Reinforcement Learning。