[人工智能]强化学习模型研讨班

强化学习的模型：马尔科夫决策过程

1. 强化学习的定义

强化学习(Reinforcement Learning. RL)又称为鼓励学习、评价学习或增强学习，是机器学习的重要组成部分之一，用于描述和解决智能体(Agent)在与环境(Enviroment)交互过程中通过学习策略(Policy)以达到回报(Reward)最大化或实现特定目标的问题。

2、强化学习和其他机器学习领域的区别和联系

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。

强化学习和监督学习的区别：强化学习不需要事先准备好训练数据，更没有输出作为监督来指导学习过程。强化学习只有奖赏值，但这个奖赏值和监督学习的输出不一样，它并不是事先给出的，而是延后给出的。同时，强化学习的每一步与时间顺序前后关系密切，而监督学习的训练数据一般是相互独立的，相互之间没有依赖关系。

强化学习与非监督学习的区别：非监督学习只有输入数据，没有输出值，也没有奖励值，同时非监督学习的数据之间也是相互独立的，相互之间没有依赖关系。

3. 强化学习建模

1. 基本模型

   

2. 基本组成元素：

   • 智能体(Agent)：强化学习的本体，作为学习者或决策者存在；
   • 环境(Enviroment)：智能体以外的一切，主要指周围的所有状态；
   • 状态(State)：表示环境的数据，状态集是环境中所有可能状态的集合；
   • 动作(Action)：智能体可以做出的动作，动作集是智能体可以做出的所有动作的集合；
   • 奖励(Rewards)：智能体在执行一个动作后，获得的正负奖励信号；
   • 策略(Policy)：从状态到动作的映射，智能体基于某种状态选择某种动作的过程。

3. 学习过程：

   Step 1：智能体感知环境状态；

   Step 2：智能体根据某种策略做出动作；

   Step 3：动作作用于环境导致环境状态改变；

   Step 4：同时，环境向智能体发出一个反馈信号(奖励或惩罚)；

4. 强化学习目标：智能体寻找在连续时间序列里的最优策略。最优策略是指使得长期累计奖励最大化的策略。

4、马尔科夫决策过程(Markov Decition Process, MDP)

马尔科夫性质（无后效性）：在时间步 $t+1$ 时，环境的反馈仅取决于上一时间步 $t$ 的状态 $s$ 和动作 $a$，与时间步 $t?1$ 以及 $t?1$ 步之前的时间步都没有关联性。
$$P(s_{t+1}|a_t{s}_t,a_{t?1}{s}_{t?1},...,a_0{s}_0)\approx P(s_{t+1}|a_t{s}_t)$$
马尔科夫是一种为了简化问题而提出的假设。

MDP 的基本组成部分：

• 状态集合： S = { s 1 , s 2 , . . . , s n } S=\left\{s_1,s_2,...,s_n\right\} S={s1?,s2?,...,sn?}，其中 $s_i(i=1,2,3,...,n)$ 表示所有可能的状态，$s_t(t=1,2,3,...,)$ 表示时刻 $t$ 的动作，且 $s_t\in S$.

• 动作集合： A = { a 0 , a 1 , a 2 , ? ? , a n } A=\left\{a_0,a_1,a_2,\cdots,a_n \right\} A={a0?,a1?,a2?,?,an?}

  $a_i(i=0,1,2,...,m)$ 表示所有可能的动作，而 $a_t(t=0,1,2,...)$ 表示时刻 $t$ 的状态，且 $a_t\in A$；$A(s_i)$ 表示状态 $s_i$ 下的所有合法的动作。

• 状态转移概率：$P_{sa}:P_{sa}(s^{\prime })=(S\times A\times S)\to [0,1]$

$$\sum _{s^{\prime }\in S}{P}_{sa}(s^{\prime })=1且P_{sa}(s^{\prime })\in [0,1],?s^{\prime }\in S$$

? 其中，$P_{sa}(s^{\prime })$ 表示在状态 $s$ 时执行动作 $a$ 转移到状态 $s^{\prime }$ 的概率。

• 奖励函数：

  1. $R_{sa}:S\times A\to R(实数)$，将 $R_{sa}(s,a)$ 记为在状态 $s$ 时执行动作 $a$ 所得到的奖励；
  2. $R_{sas}:S\times A\times S\to R(实数)$，将 $R_{sas}(s,a,s^{\prime })$ 记为在状态 $s$ 时执行动作 $a$ 转移到状态 $s^{\prime }$ 时得到的奖励；

• 策略函数：$\pi :S\times A\to [0,1]$，记为 $\pi (a|s)$，表示在状态 $s$ 的前提下，执行动作 $a$ 的概率。

$$f(x)=\{\begin{array}{ll}0或1,& (\pi (s)=a)确定性策略\\ [0,1],& 随机性策略\end{array}$$

• 折扣因子：$\gamma \in [0,1]$
  1. $\gamma =0$：贪婪法，价值只由当前延时奖励决定；
  2. $\gamma =1$：所有后续状态奖励和当前状态奖励同等重要；
  3. $\gamma \in (0,1)$：当前延时奖励的权重比后续奖励的权重大。

马尔科夫决策过程可以表示成一个五元组：$MDP(S,A,P_{sa},R_{sa},\gamma )$.

MDP 的基本流程：

1、产生一个“状态—动作—奖励”序列：
$$s_0{a}_0{r}_1,s_1{a}_1{r}_2,s_2{a}_2{r}_3,?,s_t{a}_t{r}_{t+1},?,s_{T?1}{a}_{T?1}{r}_T{s}_T$$
其中， $r_1,r_2,?,r_{t+1}$ 表示某一个动作的即时奖励，$s_T$ 表示最后的终止状态。

2、累积奖励(Total Payoff)：
$$G_t=r_{t+1}+\gamma r_{t+2}+{\gamma }^2{r}_{t+3}+?+{\gamma }^{T?t?1}{r}_T$$
这里的折扣因子 $\gamma \in [0,1]$.

超强干货来袭

云风专访：近40年码龄，通宵达旦的技术人生