强化学习算法的原理理解

       强化学习(reinforcement learning)，又称再励学习，评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。

       通俗理解,拿马戏团的鸽子来说，每当鸽子走到钢丝尽头或者中间某时刻（可以设计）的时候，训练人员就会给它一些奖励，这些奖励的作用是让它“知道”，鸽子啊，你当才的动作是对的（或者是不错的，你要继续保持啊）。如此一来，鸽子无形之中就受到了暗示，我只要那样做，就有奖励（食物）吃。何乐而不为呢。

       强化学习的要素：环境模型、Agent（学习者）、回报函数、策略

       分析：根据Agent当前状态，选择了动作a，这时与环境发生了交互，Agent观测到下一个状态，并收到了一定的奖赏r（有好有坏）。如此反复的与环境进行交互，在一定条件下，Agent会学习到一个最优/次优的策略。