本文介绍了深度强化学习的基本概念，包括强化学习的定义、马尔科夫决策过程（MDP）、Q-学习和策略梯度。Q-学习用于优化Q值函数，而策略梯度则解决了高维复杂问题，通过梯度上升策略寻找最优参数。文章还探讨了策略梯度中降低方差的方法和Actor-Critic算法的应用。
一、概览
1、什么是强化学习？
2、马尔科夫决策过程。
3、Q-学习。
4、策略梯度（Policy Gradients）
二、强化学习
1、概念：
强化学习，假设有一个代理人（Agent，CS中的一个概念，下简写为Agn）和其相应的环境（Environment，下简写为Env）。若Env给Agn一个状态（state st），则Agn给Env一个反馈动作（Action at）。而后Env再反馈给Agn一个奖励（Reward,或者称为回馈）以及Env的下一个状态（state st+1）。如此往复循环。
举个栗子，小游戏是比较典型的强化学习案例。
目标是获得高分，环境状态是原始的游戏图像像素输入，动作是游戏需要的操作，奖励就是每个回合分数增减。
三、马尔科夫决策过程（Markov Decision Process，MDP）
1、定义
是Mathematical formulation of the RL problem （这个没看懂）
马尔科夫性质（Markov property）:当前状态完全地决定了全局状态（Current state completely characterises the states of the world）。
数学定义：
算法过程抽象：
最低0.47元/天 解锁文章
1367
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
