人工智能8强化学习.pdfVIP

《人工智能：算法的视角》卷一草稿 第八章 强化学习方法 第 8 章 强化学习 如第5 章所述，强化学习 （Reinforcement Learning, RL ）是基于试错的学习方式，它源 于行为智能，试图通过这种学习手段使机器获得正确的行为能力，在其感知到的外界环境 与其应采取的行动之间建立越来越好的映射关系。事实上，在机器开展行动的过程中，强 化学习系统将根据外界对其行动效果好坏的反馈，对机器的行为策略进行改进，从而不断 升其行为能力。这是一种终身学习方式，在机器整个生命周期中，可以不断地按照上面 的方式来进行学习，从而使机器能不断地适应环境和升能力。 强化学习中所依赖的反馈信息不同于监督学习，外界不会给出与机器所观察到的环境 状态信息（输入）相对应的正确的行动策略 （输出），而是在机器给出其行动策略后，反馈 该策略的对错情况。如果其是错的，则机器将在后面的行动中避免犯同样的错误；反之如 果是对的，则机器将强化这一正确的行动策略，因此这种学习方法被称之为强化学习。这 是从技术角度来严格定义的强化学习。从应用角度，也可不严格地将在系统运行过程中不 断进行自我完善的学习统称为强化学习，这时对于输入，外界反馈的可能也是所预期的正 确输出，而不只是对错情况。本书取强化学习的严格定义，即只将反馈对错而不反馈预期 输出的学习方式称为强化学习，而对于反馈预期输出的学习方式，不论其是否在系统运行 过程中同步进行，仍然将其称为监督学习。 虽然是源于行为智能，并且多以行为智能的术语来表达，但强化学习方法显然可用于 其他任何问题中，实际上对任何问题的解决过程都可看作是一种行为。因此，强化学习已 被广泛应用于游戏、控制、机器人等各种领域，并且具有良好的发展前景，甚至可以认为 这是一种对于真正具备智能的系统来说所必须要的学习方式，其最近在AlphoGo 等人工智 [1] 能最新进展中的成功应用 说明了这一点。 8.1 强化学习任务与模型 在强化学习语境下，机器的行为和学习是交替进行的：机器在与外界环境的交互中表 现出行为，以完成自己的任务。同时外界环境向机器反馈其行动效果（对/错），机器将这种 反馈用于对自身的行为策略进行调整。图8-1 显示了这种过程，如图中所示，机器观察环境 状态 （state ），根据当前行动策略（policy ）采取行动 （action ），再观察到新的状态以及机器 行动所对应的收益 （reward ，对或错及其程度），进而根据所获得的收益对自身行动策略进 行更新，如此循环往复，持续存在并进行。 1 图8-1. 强化学习过程示意图 上面过程中体现机器智能和强化学习的关键因素是机器的行为策略 （policy ，以下简称 北京理工大学计算机学院 刘峡壁 《人工智能：算法的视角》卷一草稿 第八章 强化学习方法 策略），其实质是机器从外界所获得信息（输入：state ）与其所采取行动（输出：action ）之 间的一种特定函数关系：P : s → a 。强化学习的最终目标是获得适应环境的最优策略。在 很多实际应用中，由于环境是变化的，因此这种最优策略并非一成不变，需要根据环境的 变化不断再调整，这也是强化学习需要始终进行的原因。 为了便于计算，通常将这种过程建模为马尔科夫决策过程 （Markov Decision Process， MDP