當(dāng)前人工智能之機器學(xué)習(xí)算法主要有7大類：1）監(jiān)督學(xué)習(xí)（Supervised Learning），2）無監(jiān)督學(xué)習(xí)（Unsupervised Learning），3）半監(jiān)督學(xué)習(xí)（Semi－supervised Learning），4）深度學(xué)習(xí)（Deep Learning），5）強化學(xué)習(xí)（Reinforcement Learning），6）遷移學(xué)習(xí)（Transfer Learning），7）其他（Others）。

今天我們重點探討一下強化學(xué)習(xí)（RL）。

強化學(xué)習(xí)（RL），又稱再勵學(xué)習(xí)、評價學(xué)習(xí)，是一種重要的機器學(xué)習(xí)方法，在智能控制機器人及分析預(yù)測等領(lǐng)域有許多應(yīng)用。

那么什么是強化學(xué)習(xí)？

強化學(xué)習(xí)是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎勵信號（強化信號）函數(shù)值最大，強化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，主要表現(xiàn)在教師信號上，強化學(xué)習(xí)中由環(huán)境提供的強化信號是對產(chǎn)生動作的好壞作一種評價（通常為標(biāo)量信號），而不是告訴強化學(xué)習(xí)系統(tǒng)RLS（reinforcement learning system）如何去產(chǎn)生正確的動作。由于外部環(huán)境提供的信息很少，RLS必須靠自身的經(jīng)歷或能力進行學(xué)習(xí)。通過這種方式，RLS在行動－評價的環(huán)境中獲得知識，改動方案以適應(yīng)環(huán)境。

通俗的講，就是當(dāng)一個小孩學(xué)習(xí)有迷�；蚶Щ髸r，如果老師發(fā)現(xiàn)小孩方法或思路正確，就給他（她）正反饋（獎勵或鼓勵）；否則就給他（她）負反饋（教訓(xùn)或懲罰），激勵小孩的潛能，強化他（她）自我學(xué)習(xí)能力，依靠自身的力量來主動學(xué)習(xí)和不斷探索，最終讓他（她）找到正確的方法或思路，以適應(yīng)外部多變的環(huán)境。

強化學(xué)習(xí)有別于傳統(tǒng)的機器學(xué)習(xí)，不能立即得到標(biāo)記，而只能得到一個反饋（獎或罰），可以說強化學(xué)習(xí)是一種標(biāo)記延遲的監(jiān)督學(xué)習(xí)。強化學(xué)習(xí)是從動物學(xué)習(xí)、參數(shù)擾動自適應(yīng)控制等理論發(fā)展而來的。

強化學(xué)習(xí)原理：

如果Agent的某個行為策略導(dǎo)致環(huán)境正的獎賞（強化信號），那么Agent以后產(chǎn)生這個行為策略的趨勢加強。Agent的目標(biāo)是在每個離散狀態(tài)發(fā)現(xiàn)最優(yōu)策略以使期望的折扣獎賞和最大。

強化學(xué)習(xí)把學(xué)習(xí)看作試探評價過程，Agent選擇一個動作用于環(huán)境，環(huán)境接受該動作后狀態(tài)發(fā)生變化，同時產(chǎn)生一個強化信號（獎或懲）反饋給Agent，Agent根據(jù)強化信號和環(huán)境當(dāng)前狀態(tài)再選擇下一個動作，選擇的原則是使受到正強化（獎）的概率增大。選擇的動作不僅影響立即強化值，而且影響環(huán)境下一時刻的狀態(tài)及最終的強化值。

若已知R／A梯度信息，則可直接可以使用監(jiān)督學(xué)習(xí)算法。因為強化信號R與Agent產(chǎn)生的動作A沒有明確的函數(shù)形式描述，所以梯度信息R／A無法得到。因此，在強化學(xué)習(xí)系統(tǒng)中，需要某種隨機單元，使用這種隨機單元，Agent在可能動作空間中進行搜索并發(fā)現(xiàn)正確的動作。

強化學(xué)習(xí)模型

強化學(xué)習(xí)模型包括下面幾個要素：

1）  規(guī)則（policy）：規(guī)則定義了Agent在特定的時間特定的環(huán)境下的行為方式，可以視為是從環(huán)境狀態(tài)到行為的映射，常用 π來表示�？梢苑譃閮深悾�

確定性的policy（Deterministic policy）： a＝π（s）

隨機性的policy（Stochastic policy）： π（a｜s）＝P［At＝a｜St＝t］

其中，t是時間點，t＝0，1，2，3，……

St∈S，S是環(huán)境狀態(tài)的集合，St代表時刻t的狀態(tài)，s代表其中某個特定的狀態(tài)；

At∈A（St），A（St）是在狀態(tài)St下的actions的集合，At代表時刻t的行為，a代表其中某個特定的行為。

2）  獎勵信號（areward signal）：Reward是一個標(biāo)量值，是每個time step中環(huán)境根據(jù)agent的行為返回給agent的信號，reward定義了在該情景下執(zhí)行該行為的好壞，agent可以根據(jù)reward來調(diào)整自己的policy。常用R來表示。

3）  值函數(shù)（valuefunction）：Reward定義的是立即的收益，而value function定義的是長期的收益，它可以看作是累計的reward，常用v來表示。

4）  環(huán)境模型（a modelof the environment）：整個Agent和Environment交互的過程可以用下圖來表示：

Agent作為學(xué)習(xí)系統(tǒng)，獲取外部環(huán)境Environment的當(dāng)前狀態(tài)信息St，對環(huán)境采取試探行為At，并獲取環(huán)境反饋的對此動作的評價Rt＋1和新的環(huán)境狀態(tài)St＋1 。如果Agent的某動作At導(dǎo)致環(huán)境Environment的正獎賞（立即報酬），那么Agent以后產(chǎn)生這個動作的趨勢便會加強；反之，Agent產(chǎn)生這個動作的趨勢將減弱。在強化學(xué)習(xí)系統(tǒng)的控制行為與環(huán)境反饋的狀態(tài)及評價的反復(fù)交互作用中，以學(xué)習(xí)的方式不斷修改從狀態(tài)到動作的映射策略，達到優(yōu)化系統(tǒng)性能目的。