當(dāng)前人工智能之機(jī)器學(xué)習(xí)算法主要有7大類：1）監(jiān)督學(xué)習(xí)（Supervised Learning），2）無監(jiān)督學(xué)習(xí)（Unsupervised Learning），3）半監(jiān)督學(xué)習(xí)（Semi－supervised Learning），4）深度學(xué)習(xí)（Deep Learning），5）強(qiáng)化學(xué)習(xí)（Reinforcement Learning），6）遷移學(xué)習(xí)（Transfer Learning），7）其他（Others）。

今天我們重點(diǎn)探討一下強(qiáng)化學(xué)習(xí)（RL）。

強(qiáng)化學(xué)習(xí)（RL），又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí)，是一種重要的機(jī)器學(xué)習(xí)方法，在智能控制機(jī)器人及分析預(yù)測(cè)等領(lǐng)域有許多應(yīng)用。

那么什么是強(qiáng)化學(xué)習(xí)？

強(qiáng)化學(xué)習(xí)是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎(jiǎng)勵(lì)信號(hào)（強(qiáng)化信號(hào)）函數(shù)值最大，強(qiáng)化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，主要表現(xiàn)在教師信號(hào)上，強(qiáng)化學(xué)習(xí)中由環(huán)境提供的強(qiáng)化信號(hào)是對(duì)產(chǎn)生動(dòng)作的好壞作一種評(píng)價(jià)（通常為標(biāo)量信號(hào)），而不是告訴強(qiáng)化學(xué)習(xí)系統(tǒng)RLS（reinforcement learning system）如何去產(chǎn)生正確的動(dòng)作。由于外部環(huán)境提供的信息很少，RLS必須靠自身的經(jīng)歷或能力進(jìn)行學(xué)習(xí)。通過這種方式，RLS在行動(dòng)－評(píng)價(jià)的環(huán)境中獲得知識(shí)，改動(dòng)方案以適應(yīng)環(huán)境。

通俗的講，就是當(dāng)一個(gè)小孩學(xué)習(xí)有迷茫或困惑時(shí)，如果老師發(fā)現(xiàn)小孩方法或思路正確，就給他（她）正反饋（獎(jiǎng)勵(lì)或鼓勵(lì)）；否則就給他（她）負(fù)反饋（教訓(xùn)或懲罰），激勵(lì)小孩的潛能，強(qiáng)化他（她）自我學(xué)習(xí)能力，依靠自身的力量來主動(dòng)學(xué)習(xí)和不斷探索，最終讓他（她）找到正確的方法或思路，以適應(yīng)外部多變的環(huán)境。

強(qiáng)化學(xué)習(xí)有別于傳統(tǒng)的機(jī)器學(xué)習(xí)，不能立即得到標(biāo)記，而只能得到一個(gè)反饋（獎(jiǎng)或罰），可以說強(qiáng)化學(xué)習(xí)是一種標(biāo)記延遲的監(jiān)督學(xué)習(xí)。強(qiáng)化學(xué)習(xí)是從動(dòng)物學(xué)習(xí)、參數(shù)擾動(dòng)自適應(yīng)控制等理論發(fā)展而來的。

強(qiáng)化學(xué)習(xí)原理：

如果Agent的某個(gè)行為策略導(dǎo)致環(huán)境正的獎(jiǎng)賞（強(qiáng)化信號(hào)），那么Agent以后產(chǎn)生這個(gè)行為策略的趨勢(shì)加強(qiáng)。Agent的目標(biāo)是在每個(gè)離散狀態(tài)發(fā)現(xiàn)最優(yōu)策略以使期望的折扣獎(jiǎng)賞和最大。

強(qiáng)化學(xué)習(xí)把學(xué)習(xí)看作試探評(píng)價(jià)過程，Agent選擇一個(gè)動(dòng)作用于環(huán)境，環(huán)境接受該動(dòng)作后狀態(tài)發(fā)生變化，同時(shí)產(chǎn)生一個(gè)強(qiáng)化信號(hào)（獎(jiǎng)或懲）反饋給Agent，Agent根據(jù)強(qiáng)化信號(hào)和環(huán)境當(dāng)前狀態(tài)再選擇下一個(gè)動(dòng)作，選擇的原則是使受到正強(qiáng)化（獎(jiǎng)）的概率增大。選擇的動(dòng)作不僅影響立即強(qiáng)化值，而且影響環(huán)境下一時(shí)刻的狀態(tài)及最終的強(qiáng)化值。

若已知R／A梯度信息，則可直接可以使用監(jiān)督學(xué)習(xí)算法。因?yàn)閺?qiáng)化信號(hào)R與Agent產(chǎn)生的動(dòng)作A沒有明確的函數(shù)形式描述，所以梯度信息R／A無法得到。因此，在強(qiáng)化學(xué)習(xí)系統(tǒng)中，需要某種隨機(jī)單元，使用這種隨機(jī)單元，Agent在可能動(dòng)作空間中進(jìn)行搜索并發(fā)現(xiàn)正確的動(dòng)作。

強(qiáng)化學(xué)習(xí)模型

強(qiáng)化學(xué)習(xí)模型包括下面幾個(gè)要素：

1）  規(guī)則（policy）：規(guī)則定義了Agent在特定的時(shí)間特定的環(huán)境下的行為方式，可以視為是從環(huán)境狀態(tài)到行為的映射，常用 π來表示。可以分為兩類：

確定性的policy（Deterministic policy）： a＝π（s）

隨機(jī)性的policy（Stochastic policy）： π（a｜s）＝P［At＝a｜St＝t］

其中，t是時(shí)間點(diǎn)，t＝0，1，2，3，……

St∈S，S是環(huán)境狀態(tài)的集合，St代表時(shí)刻t的狀態(tài)，s代表其中某個(gè)特定的狀態(tài)；

At∈A（St），A（St）是在狀態(tài)St下的actions的集合，At代表時(shí)刻t的行為，a代表其中某個(gè)特定的行為。

2）  獎(jiǎng)勵(lì)信號(hào)（areward signal）：Reward是一個(gè)標(biāo)量值，是每個(gè)time step中環(huán)境根據(jù)agent的行為返回給agent的信號(hào)，reward定義了在該情景下執(zhí)行該行為的好壞，agent可以根據(jù)reward來調(diào)整自己的policy。常用R來表示。

3）  值函數(shù)（valuefunction）：Reward定義的是立即的收益，而value function定義的是長(zhǎng)期的收益，它可以看作是累計(jì)的reward，常用v來表示。

4）  環(huán)境模型（a modelof the environment）：整個(gè)Agent和Environment交互的過程可以用下圖來表示：

Agent作為學(xué)習(xí)系統(tǒng)，獲取外部環(huán)境Environment的當(dāng)前狀態(tài)信息St，對(duì)環(huán)境采取試探行為At，并獲取環(huán)境反饋的對(duì)此動(dòng)作的評(píng)價(jià)Rt＋1和新的環(huán)境狀態(tài)St＋1 。如果Agent的某動(dòng)作At導(dǎo)致環(huán)境Environment的正獎(jiǎng)賞（立即報(bào)酬），那么Agent以后產(chǎn)生這個(gè)動(dòng)作的趨勢(shì)便會(huì)加強(qiáng)；反之，Agent產(chǎn)生這個(gè)動(dòng)作的趨勢(shì)將減弱。在強(qiáng)化學(xué)習(xí)系統(tǒng)的控制行為與環(huán)境反饋的狀態(tài)及評(píng)價(jià)的反復(fù)交互作用中，以學(xué)習(xí)的方式不斷修改從狀態(tài)到動(dòng)作的映射策略，達(dá)到優(yōu)化系統(tǒng)性能目的。