强化学习基础

基本元素：

• Agent/Actor(智能体):
  可以采取Action的智能个体
  目标：最大化Reward的期望
• State(状态)
  Agent所处的具体即时状态
• Action(行动)
  Agent可以采取的行动的集
• Reward(奖励)
  是衡量智能体行动成败的反馈，由Environment给出
• Environment(环境)
  将Agent当前state下的action作为输入，输出是reward和下一步的state（类似于神经网络中映射函数的作用）
• Policy(策略)
  基于当前状态作出下一步行动所用的策略
• Value(价值)
  期望的长期收益

强化学习过程描述：
Actor通过过去一系列的positive reward和negative reward来学习可以使reward最大化的一系列action

特点

• Actor与Environment的互动会影响学习的成果：试错学习（trail-and-error）
• Reward delay（延迟回报）
  RL往往是在最后一个状态才给出整体的Reward，这就导致了一个问题：获得正回报或负回报以后，如何将回报分配给前面的状态。

类型

Model-free and Model-based
Model指的是环境的动态模拟，即模型学习从当前状态和动作到下一个状态的转移概率。Model-free算法依赖试错来更新知识。因此不需要空间来存储所有状态和动作的组合

Model-free

经典算法
Policy-based（PPO）
Value-based（Q-learning）
Actor+Critic（A3C）

Policy-based：

过程：
- 1.定义一系列函数，可以用神经网络作为一个Actor。
- 2.评价函数的效果（goodness）（公式）对所有动作的奖励总和求平均，利用梯度上升策略，目标是最大化reward
- 3. 选取最好的函数。

Value-based：

To Do