机器学习～强化学习Reinforcement Learning

Abstract

Abstract

背景

强化学习算法概念

---

背景

(1) 强化学习的历史发展

1956年Bellman提出了动态规划方法。 1977年Werbos提出只适应动态规划算法。 1988年sutton提出时间差分算法。 1992年Watkins 提出Q-learning 算法。 1994年rummery 提出Saras算法。 1996年Bersekas提出解决随机过程中优化控制的神经动态规划方法。 2006年Kocsis提出了置信上限树算法。 2009年kewis提出反馈控制只适应动态规划算法。 2014年silver提出确定性策略梯度（Policy Gradents）算法。 2015年Google-deepmind 提出Deep-Q-Network算法。

(2) 强化学习概念起源

强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。

这个方法具有普适性，因此在其他许多领域都有研究，例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。在运筹学和控制理论研究的语境下，强化学习被称作“近似动态规划”（approximate dynamic programming，ADP）。在最优控制理论中也有研究这个问题，虽然大部分的研究是关于最优解的存在和特性，并非是学习或者近似方面。在经济学和博弈论中，强化学习被用来解释在有限理性的条件下如何出现平衡。

(3) 强化学习与监督学习、非监督学习区别

Supervised learning：是从一个已经标记的训练集中进行学习，训练集中每一个样本特征可以视为是对该situation的描述，而其label可以视为是应该执行的正确的action，但是有监督的学习不能学习交互的情景，因为在交互的问题中获得期望行为的样例是非常不实际的，agent只能从自己的经历（experience）中进行学习，而experience中采取的行为并一定是最优的。这时利用RL就非常合适，因为RL不是利用正确的行为来指导，而是利用已有的训练信息来对行为进行评价。Unsupervised learning：因为RL利用的并不是采取正确行动的experience，从这一点来看和无监督的学习确实有点像，但是还是不一样的，无监督的学习的目的可以说是从一堆未标记样本中发现隐藏的结构(通过数据之间的关联性将数据分类)，而RL的目的是最大化reward signal。Reinforcement learning：强化学习的目标是使得回报reward最大化maximize。强化学习和非监督学习的关键部分就是回报的选择。强化学习是学习状态和行为之间的映射关系，agent必须通过不断尝试才能发现采取哪种行为能够产生最大回报。

总的来说，RL与其他机器学习算法不同的地方在于：其中没有监督者，只有一个reward信号；反馈是延迟的，不是立即生成的；时间在RL中具有重要的意义；agent的行为会影响之后一系列的data。

reference:

https://blog.csdn.net/qq_20499063/article/details/78762596

https://blog.csdn.net/qq_20499063/article/details/78762596

强化学习算法

在标准RL框架[10]中，agent在许多时间步长上与外部环境进行交互。 在此，s是所有可能状态的集合，而a是所有可能动作的集合。 在每个时间步t，处于状态st的代理从环境中感知观察信息Ot，采取行动并从奖励源Rt接收反馈。 然后，代理转换到新状态st + 1，并确定与该转换关联的奖励Rt + 1（st，at，st + 1）。 代理可以从上次访问的状态中选择一个动作。 强化学习代理的目标是以最小的延迟收集最大可能的回报。

reference:

Leslie Pack Kaelbling, Michael L Littman, and Andrew W Moore. Reinforcement learning: A survey. Journal of artificial intelligence research, 4:237–285, 1996.