强化学习的定义
强化学习（reinforcement learning，RL）
- RL 是 Agent 通过动作与环境交互，从而实现特定目标最优化的一种计算方法
- Agent 在环境状态为 $S_{t}$ 的情况下产生一个动作决策 $A_{t}$，并将 $A_{t}$ 作用到环境中
- 然后环境发生相应的改变，并将相应的奖励反馈 $R$ 和下一轮状态 $S_{t+1}$ 传回机器
- 以上交互是迭代进行的，目标是最大化在多轮交互过程中获得的累积奖励的期望
强化学习的三个基本要素：
- 状态 $S$，Agent 需要能感知当前环境的状态；比如 AlphaGo 需要了解当前棋盘情况
- 动作 $A$，Agent 需要根据状态和目标，产生能够与环境交互的动作，是不同 Agent 策略的最终体现；比如 AlphaGo 针对当前的棋盘决定下一颗落子的位置
- 奖励 $R$，环境根据当前状态和 Agent 动作，给出可量化的奖励反馈；奖励是评估 Agent 策略的方式，也是指导 Agent 改进的核心目标；比如围棋博弈是否胜利
强化学习的五个关键要素：
- 策略 $\pi$，Agent 会根据策略 $\pi$ 来选择动作；最常见的策略表示方式为条件概率分布 $\pi(a|s)$，即状态 $s$ 时采取动作 $a$ 的概率，此时Agent 会根据最大条件概率原则来选择动作
- 状态转化模型 $P(s′,s,a)$，，描述了状态 $s$ 下采取动作 $a$ 导致状态转移为 $s′$ 的概率
- 奖励衰减因子 $\gamma$，将未来的奖励折算为即时奖励时的折扣因子（未来奖励贴现）
- 动作价值 $v_{\pi}(s)$，表示给定状态 $s$ 和策略 $\pi$ 的情况下采取动作后的价值；动作价值一般及时性更强，但价值不高（比如下棋时的吃子价值）；而奖励则一般更滞后，但延迟奖励很高（最终围棋博弈胜利）
- 探索率 $\epsilon$，在训练选择最优动作时，会有一定的概率 $\epsilon$ 不选择使当前轮迭代价值最大的动作，而选择其他的动作；该方式能够保证模型进行更充分的探索，积累足够的历史经验用于学习
强化学习的分类
强化学习是和监督学习，非监督学习并列的第三种机器学习方法
- 有监督学习的目的是寻找一个模型，使其在给定数据分布下得到的损失函数的期望最小
- 强化学习的目的是寻找一个 Agent 策略，使其在与动态环境交互的过程中产生最优的数据分布，即最大化该分布下一个给定奖励函数的期望
在线策略算法 VS 离线策略算法
- 行为策略（behavior policy）用于动作选择，目标策略（target policy）用于价值函数更新
- 在线策略（on-policy）算法表示行为策略和目标策略是同一个策略，比如 SARSA 算法
- 而离线策略（off-policy）算法表示行为策略和目标策略不是同一个策略，比如 Q-Learning
- 对于在线策略，当策略被更新后，采样得到的样本就被放弃了，无法复用（水龙头洗手）
- 对于离线策略，则可以重复利用采样得到的样本，更好地利用历史数据（用脸盆接水后洗手）
尽管离线策略（off-policy）学习可以让 Agent 基于经验回放池中的样本来学习，但需要保证 Agent 在学习的过程中可以不断和环境进行交互，将采样得到的最新的经验样本加入经验回放池中 如果不允许智能体在学习过程中和环境进行持续交互，而是完全基于一个给定的样本集来直接训练一个策略，这样的学习范式被称为离线强化学习（offline reinforcement learning）
基于模型的强化学习 VS 无模型的强化学习