深度强化学习(DRL)

DRL形成背景
深度强化学习（Deep Reinforcement Learning）顾名思义，是深度学习与强化学习的结合，因此深度强化学习弥补了DL和RL的不足之处。

深度学习最近火热，大家也都有所了解，就是通过多层网络和非线性变换，去学习数据的分布式特征表示，因此深度学习侧重于对事物的感知和表达。
而强化学习，了解的同学都知道，通过奖惩机制去挖掘最优策略，因此它侧重于学习解决问题的策略。
因此由于深度学习特征感知能力强却缺乏决策能力，引入了深度强化学习这个概念。

强化学习
要了解深度强化学习，首先要了解强化学习这个概念，接下来就简单介绍一下强化学习的基础知识。

强化学习是从环境状态到动作空间的映射的一种学习。它的基础是马尔可夫决策过程（MDP），即：当前状态只与上一个状态有关，不考虑上一个状态之前的累积影响。

通常MDP被定义为一个四元组（S,A,R,P）：

S代表状态空间，St表示agent在t时刻所处的状态。
A代表动作空间，at表死agent在t时刻所进行的动作。
R代表奖励／惩罚reward，可以代表一个学习过程的反馈，其中rt+1代表在t时刻St状态下，做出at动作后，转移到达St+1状态所获得的奖励。
P代表策略空间，代表符号为表示从状态空间S到动作空间A的一个映射。表示为agent在状态st选择at，执行该动作并以一定的概率转移到下一个状态st+1。
除了四元组，强化学习还有两个重要的函数，分别为值函数和Q函数。两个函数均代表求解的一个累积奖励，即agent的目标并非当前的奖励最大，而是平均累积奖励最大。

值函数，通常用V(s)表示，代表在状态s下采用策略的长期累积奖励。
Q函数，考虑了当前状态(值函数)和下一步动作(策略函数)。然后根据状态-动作组合，返回了累积奖励，表示为Q(s,a)
除此之外，我们注意到强化学习是一个动态规划的过程，因此它的学习方式定义为Q-learning。强化学习的任务归结到动态规划寻优问题，即为每一个状态找到最优的动作。Q-learning是一种value-based方法，核心为Bellman最优化等式：

通过Bellman最优化等式求解Q值函数并进行更新，这个过程称为Q-learning。

Q-learning是一种表格方法，根据过去出现的状态统计和迭代Q值，因此适用空间较小，导致其没有预测能力；没出现过的状态Q-learning无法处理，因此导致其没有泛化能力。因此引出了深度强化学习，通过引入深度神经网络端到端地拟合Q值，使其具有预测能力。

深度强化学习
目前来讲，根据一些文献来看，DRL的主要方法分为基于值函数、基于策略梯度和基于多agent。这里我们就介绍基于值函数的深度强化学习方法，引出深度Q网络---DQN。

算法如下：

 

其中能够使DQN有效的两个重要的trick就是经验回放(Experience Replay)和分离目标网络(Separate Target Network)。

经验回放：由于数据都是有相关性的，不满足样本间独立同分布的条件，通过存储下来所有样本，并随机抽取样本除去相关性，为神经网络的权重创造一个均值更新。
分离目标网络：原始的Q-learning计算真实值y值使用的是和Q-network相同的网络，这样通常Q大的时候y也会很大，模型的震荡和发散的可能性很大。而构建一个独立于Q-network的target network来计算y，使训练的发散可能性降低更加稳定。