Reinforcement Learning and Markov decision processes 加强学习

ReinforcementLearning and Control

在监督学习中，数据带有标签，标签实际上就是对相应输入的“绝对正确答案”，而在很多问题中，难以找到这样的正确答案，决策过程分为很多步，这时可以提供一个奖励函数作为反馈，当算法决策的好时进行奖励，否则惩罚，此文先介绍马尔可夫决策过程Markov decision processes (MDP)。

马尔可夫决策过程是一个五元组：(S,A,Psa,γ,R)

S是状态集，A是动作

Psa是转移概率， s∈ S， a∈ A,代表当前状态为s时做出a动作后，将怎样转移

γ为贴现因子

R : S × A→ R是一个奖励函数。有时是S → R的

MDP的动态决策是这样的：从一个状态s0考试，选择某个动作 a0 ∈ A然后根据Psa转移到新状态，重复以上过程直到到达给定状态或其他终止条件。