强化学习RF简介
强化学习是机器学习中的一种重要类型，一个其中特工通过 执行操作并查看查询查询结果来学习如何在环境中表现行为。
机器学习算法可以分为3种：有监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning），如下图所示：
有监督学习、无监督学习、强化学习具有不同的特点：
有监督学习是有一个label（标记）的，这个label告诉算法什么样的输入对应着什么样的输出，常见的算法是分类、回归等；
无监督学习则是没有label（标记），常见的算法是聚类；
强化学习强调如何基于环境而行动，以取得最大化的预期利益。
主要学习内容：
强化学习是什么，奖励思想。
强化学习的三种途径。
深度强化学习的“深”是什么意思
强化学习基础知识
①强化学习是做出最佳决策的科学。它可以帮助我们制定活的物种所表现出的奖励动机行为。比方说，你想让一个孩子坐下来学习考试。要做到这一点非常困难，但是如果每次完成一章/主题时都给他一块巧克力，他就会明白，如果他继续学习，他会得到更多的巧克力棒。所以他会有一些学习考试的动机。
②孩子代表着Agent代理 。奖励制度和考试代表了Environment环境。今天的题目是类似于强化学习的States状态。所以，孩子必须决定哪些话题更重要（即计算每种行为的价值）。这将是我们的工作的 Value-Function价值方程。所以，每次他从一个国家到另一个国家旅行时，他都会得到Reward奖励，他用来在时间内完成主题的方法就是我们的Policy决策。
与其他机器学习的不同
没有主管在场。所以，没有人会告诉你最好的行动。您只需为每个动作获得奖励。
时间的重要性。强化学习不同于其他您接收随机输入的范例时对顺序数据的关注。这里下一步的输入将始终取决于之前状态的输入。
延迟奖励的概念。您可能无法在每一步获得奖励。只有在完成整个任务后才能给予奖励。另外，假设你只是在一个步骤中获得奖励，才能发现你在未来的一步中犯了大错。
代理人行为影响其下一个输入。说，你可以选择向左或向右。在你采取行动之后，如果你选择了正确的而不是离开，下一步的输入将会不同。
简单实例
与环境相互作用的学习来自我们的自然体验。想象一下，你是一个起居室里的孩子。你看到一个壁炉，然后你接近它。
这是温暖的，这是积极的，你感觉很好（正面奖励+1）。你明白，火是一件好事。
但是，然后你尝试触摸火灾。哎哟! 它烧你的手（负面奖励-1）。你刚刚明白，当你离开足够的距离时，火是正面的，因为它会产生温暖。但太接近它，你会被烧毁。
这就是人类通过互动学习的方式。强化学习只是一种从行动中学习的计算方法。
强化学习过程
agent从环境中收集机器人的初始状态S0；
基于S0状态，采取行动A0；
转换到新的环境，状态S1；
从环境中获取奖励R1，以此循环。
{S0，A0，R1，S1，A1，R2，S2，…}
这意味着Agent处于状态S0并且采取行动A0，从而导致其获得奖励R1并处于状态S1; 那么它执行了A1，收到奖励R2，最后进入状态S2; 那么它执行了A2，收到奖励R3，并最终进入状态S3、、、等等。我们把这种互动的历史看作是一系列经验的体验，其中经验是一个元组： ⟨S，A，R，S⟩。
相应的Q-LEARNING算法就是由一些列的【状态、动作、奖励】组成，Agent的最终目标是最大限度地提高总体的回报。
Q函数 状态动作函数
在Q -值函数包含了两个可以操作的因素。
首先是一个学习率 learning rate（alpha），它定义了一个旧的Q值将从新的Q值哪里学到的新Q占自身的多少比重。值为0意味着代理不会学到任何东西（旧信息是重要的），值为1意味着新发现的信息是唯一重要的信息。
下一个因素被称为折扣因子discount factor（伽马），它定义了未来奖励的重要性。值为0意味着只考虑短期奖励，其中1的值更重视长期奖励。
主要算法
- Sarsa
Q 为动作效用函数（action-utility function），用于评价在特定状态下采取某个动作的优劣，可以将之理解为智能体（Agent）的大脑。
SARSA 利用马尔科夫性质，只利用了下一步信息, 让系统按照策略指引进行探索，在探索每一步都进行状态价值的更新。
s 为当前状态，a 是当前采取的动作，s’ 为下一步状态，a’ 是下一个状态采取的动作，r 是系统获得的奖励， α 是学习率， γ 是衰减因子。
- Q learning
Q Learning 的算法框架和 SARSA 类似, 也是让系统按照策略指引进行探索，在探索每一步都进行状态价值的更新。关键在于 Q Learning 和 SARSA 的更新公式不一样。
- Policy Gradients
系统会从一个固定或者随机起始状态出发，策略梯度让系统探索环境，生成一个从起始状态到终止状态的状态-动作-奖励序列，s1,a1,r1,…,sT,aT,rT，在第 t 时刻，我们让 gt=rt+γrt+1+… 等于 q(st,a) ，从而求解策略梯度优化问题。
- Actor-Critic
算法分为两个部分：Actor 和 Critic。Actor 更新策略， Critic 更新价值。Critic 就可以用之前介绍的 SARSA 或者 Q Learning 算法。
- Monte-carlo learning
用当前策略探索产生一个完整的状态-动作-奖励序列:
s1,a1,r1,…,sk,ak,rk∼π
在序列第一次碰到或者每次碰到一个状态 s 时，计算其衰减奖励，最后更新状态价值。
- Deep-Q-Network
DQN 算法的主要做法是 Experience Replay，将系统探索环境得到的数据储存起来，然后随机采样样本更新深度神经网络的参数。它也是在每个 action 和 environment state 下达到最大回报，不同的是加了一些改进，加入了经验回放和决斗网络架构。
参考资料
强化学习简介【An introduction to Reinforcement Learning】
强化学习的基础知识【The very basics of Reinforcement Learning】
计算机如何学习使用Q学习来计算预期的未来回报？
培训一名软件代理人，以加强学习的合理行为【Train a software agent to behave rationally with reinforcement learning】
强化学习:Q-learning由浅入深：简介1 - wiliken的文章 - 知乎
https://zhuanlan.zhihu.com/p/35724704
强化学习:Q-learning由浅入深：入阶2 - wiliken的文章 - 知乎
https://zhuanlan.zhihu.com/p/35770507
人工智能学习笔记一之强化学习（Q-learning）
