强化学习通俗介绍

什么是强化学习

RL 采用动态环境数据。其目标并不是对数据进行分类或标注，而是确定生成最优结果的最佳动作序列。为了解决这个问题，强化学习通过一个软件（即所谓的代理）来探索环境、与环境交互并从环境中学习。
图解：

剖析强化学习

代理中有一个函数可接收状态观测量（输入），并将其映射到动作集（输出）。也就是前面讨论过的单一函数，它将取代控制系统的所有独立子组件。在 RL 命名法中，此函数称之为策略。策略根据一组给定的观测量决定要采取的动作。

举例
以步行机器人为例，观察结果是指每个关节的角度、机器人躯干的加速度和角速度，以及视觉传感器采集的成千上万个像素点。策略将根据所有这些观测量，输出电机指令，使机器人移动四肢。接着，环境将生成奖励，向代理反映特定作动器指令组合的效果。如果机器人能够保持直立并继续行走，则对应的奖励将高于机器人摔倒时的。

学习最优策略

它可以根据已采取的动作、环境状态观测量以及获得的奖励值来改变策略。