强化学习笔记-01强化学习介绍

本文是博主对《Reinforcement Learning- An introduction》的阅读笔记，不涉及内容的翻译，主要为个人的理解和思考。

1. 强化学习是什么？解决什么样的问题？ 

强化学习主要是针对于同环境进行交互下，学习如何决策使得目标奖励最大。包含了三个要素：交互Interaction、决策Policy和奖励Reward。

• 同环境的交互Interaction：主要包含了两个方面：受环境影响状态State，通过动作Action来影响环境。强化学习并不需要对环境的完全可知，环境可以作为黑盒，通过环境可以根据当前state和action获取下一状态和奖励。
• 决策Policy：构建了由状态到动作的映射关系，这个是强化算法学习的核心
• 奖励Reward：代表了环境在当前状态反馈的即期的收益，既是强化学习优化目标，也是强化学习迭代信号。

强化学习可应用的例子很多，比如：

• 游戏决策类：比如围棋游戏，目标是胜出得分最大，决策是每一步走子的位置，状态是指当前棋盘内黑白子的位置，同环境的交互是指对手根据当前走子状态形成下一步走子，而奖励是指最终的胜出得分。
• 参数优化类：