强化学习基本内容 人工智能机器学习

目录1

基本内容　　在强化学习（Reinforcement learning)中， 学习主体自身通过训练，误差和反馈，学习在环境中完成目标的最佳策略。我们并没有直接告诉主体要做什么或采取那个动作，而是主体通过看那个动作得到了最多的奖励来自己发现。　　强化学习由四部分组成：策略 奖励函数 值映射 和一个环境模型。　　设计强化学习算法是要考虑三方面问题。一，如何表示状态空间和动作空间。二，如何选择建立信号以及如何通过学习来修正不同状态－动作对的值。三如何根据这些值来选择适合的动作。用强化学习方法研究未知环境下的机器人导航，由于环境的复杂性和不确定性，这些问题变得更复杂。　　所谓强化学习是指从环境状态到动作映射的学习，以使动作从环境中获得的累积奖赏值最大．该方法不同于监督学习技术那样通过正例、反例来告知采取何种行为，而是通过试错(trial anderror)来发现最优行为策略。常用的强化学习算法包括TD(Temporal Difference)算法、Q学习算法、Sarsa算法等　　标准的强化学习，智能体作为学习系统，获取外部环