人工智能-强化学习（理解）

强化学习

概念

强化学习是一种机器学习的方法，用于训练智能体（agent）在与环境交互的过程中学习最优的行为策略。在强化学习中，智能体通过观察环境的状态，执行动作，接收奖励或惩罚来学习如何做出最优的决策。其目标是使智能体在与环境的交互中获得最大的长期奖励。

强化学习算法通常基于价值函数或策略函数来进行学习和决策。

利用环境评估当前策略，以此为依据进行优化

其数据在与环境的交互中产生

决策是前后关联的

 

策略评估

动态规划

蒙特卡洛采样

时序差分

算法求解（Q-learning）

Q-learning算法直接记录和更新动作-价值函数、只有动作-价值函数、无价值函数

学习中的探索与利用的平衡

博弈论

囚徒困境

表明稳定局势并不一定是最优局势

在这个问题中，最优解是两人沉默（上帝视角），实际倾向于选择同时认罪（均衡解）

博弈论的分类

合作博弈、非合作博弈：参与者合不合作

静态博弈、动态博弈：参与者同不同时，参与者知不知道

完全信息博弈、不完全信息博弈：参与者知不知道

纳什均衡（稳定的局势）

参与者所作出的一种策略组合，任何参与者单独改变策略都不会得到好处

囚徒困境两人同时认罪就是纳什均衡（合作总是对自己有害）