【无标题】

强化学习（RL）系列文章

第一章 强化学习的概念学习

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、强化学习是什么？

强化学习（Reinforcement Learning, RL）是机器学习中的一个领域，又称再励学习、评价学习或增强学习。强化学习也是一类机器学习算法, 而强化学习是介于监督学习和非监督学习的另外一种学习方式，是让计算机实现从一开始什么都不懂，脑袋里没有一点想法，通过不断地尝试，从错误中学习，最后找到规律，学会达到目的的方法。

二、预备知识

1.概率分布

下图为一个连续分布的概率分布图，它的概率分布函数p(x):

2.基础定理：

1.连续分布的概率分布：

2.离散分布的概率分布：

3.数学期望

1.连续的概率分布的数学期望

2.离散的概率分布的数学期望

三.基本名词概念

1.state and action

state(S):如下图所示的场景
Agent:执行动作的个体或者对象
Action a:agent的动作描述

2.policy π（条件概率）

policy:策略，It is the probability of taking action A= a given state s

3.reward R 奖励

以上图为例，吃到一个金币 R=+1,Win the game: R = +10000,直观来说，就是希望什么的结果，就可以给予该方面更多的奖励

4.state transition 状态转移

指的是在状态s下做出动作a之后得到的新状态s’，新状态s’的概率为：

5.agent environment interaction 对象对环境的影响

有下图表示流程：

6.流程初步表示

新状态：S’ :基于状态S=s,Action A=a后的新状态

7.Return 未来的奖励之和

8.Discounted return

由于未来的奖励和现在的奖励权重不同，因此需要系数加权

9.Action-Value Function Q(s,a) 动作价值函数

基于策略π的动作价值函数：

10. Optimal action-value function 最优动作价值函数

用于评价在策略π下的动作a的优劣

11.State-Value Function V(s) 状态价值函数，用于评价当前局势

12.整体流程

总结

提示：这里对文章进行总结：
以上便是强化学习reinforcement learning的基本概念