强化学习（Reinforcement Learning , RL）

概述

强化学习（Reinforcement Learning, RL）是人工智能（AI）和机器学习（ML）领域的一个重要子领域，与监督学习和无监督学习并列。它模仿了生物体通过与环境交互来学习最优行为的过程，这种交互与日常生活中的各种“绩效奖励”非常类似。与传统的监督学习不同，强化学习没有事先标记好的数据集来训练模型。相反，它依靠智能体（Agent）通过不断尝试、失败、适应和优化来学习如何在给定环境中实现特定目标，提高自己的技能（如图2所示）。

马尔可夫决策过程（MDP） 

强化学习的核心是建模决策问题，并通过与环境的交互来学习最佳决策方案。这一过程常常是通过马尔可夫决策过程（Markov Decision Process, MDP）来描述和解决的。

MDP是用来描述决策问题的数学模型，主要由一个四元组 ( (S, A, R, P) ) 组成。

• 状态空间（S）: 表示所有可能状态的集合，状态是用来描述环境或问题的现状。——状态

• 动作空间（A）: 表示在特定状态下可能采取的所有动作的集合。——动作

• 奖励函数（R）: 奖励( R(s, a, s') ) 表示在状态 ( s ) 下采取动作 ( a ) 并转移到状态 ( s' ) 时所获得的即时奖励，是一个数值反馈，用于评估智能体采取某一动作的“好坏”。——奖励

• 转移概率（P）: ( P(s' | s, a) ) 表示在状态 ( s ) 下采取动作 ( a ) 转移到状态 ( s' ) 的概率，是一个从状态到动作的映射函数，用于指导智能体在每一状态下应采取哪一动作。——策略

通过优化策略，我们可以使智能体在与环境的交互中获得更高的累积奖励，从而实现更优的性能。

参考：

强化学习(一)：简介——什么是强化学习？-CSDN博客

一文读懂强化学习：RL全面解析与Pytorch实战 - techlead_krischang - 博客园 (cnblogs.com)

一文看懂什么是强化学习？（基本概念+应用场景+主流算法） (easyai.tech)

原文地址：https://blog.csdn.net/2201_76139143/article/details/140546278

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！