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。

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(guò)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?；蚶Щ髸r(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(lái)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(shuō)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(lái)的。

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(guò)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(méi)有明確的函數(shù)形式描述，所以梯度信息R／A無(wú)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(lái)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(lái)調(diào)整自己的policy。常用R來(lái)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(lái)表示。

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

1）如何表示狀態(tài)空間和動(dòng)作空間。

2）如何選擇建立信號(hào)以及如何通過(guò)學(xué)習(xí)來(lái)修正不同狀態(tài)－動(dòng)作對(duì)的值。

3）如何根據(jù)這些值來(lái)選擇適合的動(dòng)作。

強(qiáng)化學(xué)習(xí)的常見算法包括：1）時(shí)間差分學(xué)習(xí)（Temporal difference learning）；2）Q學(xué)習(xí)（Q learning）；3）學(xué)習(xí)自動(dòng)（LearningAutomata）；4）狀態(tài)－行動(dòng)－回饋－狀態(tài)－行動(dòng)（State－Action－Reward－State－Action）等。

強(qiáng)化學(xué)習(xí)通過(guò)學(xué)習(xí)從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境最大的獎(jiǎng)賞，使得外部環(huán)境對(duì)學(xué)習(xí)系統(tǒng)在某種意義下的評(píng)價(jià)（或整個(gè)系統(tǒng)的運(yùn)行性能）為最佳。簡(jiǎn)單的說(shuō)，強(qiáng)化學(xué)習(xí)的目標(biāo)是動(dòng)態(tài)地調(diào)整參數(shù)，達(dá)到強(qiáng)化信號(hào)最大。

前段時(shí)間被刷屏的機(jī)器人，大家一定不陌生吧，來(lái)自波士頓動(dòng)力的機(jī)器人憑借出色的平衡性給大家留下了深刻的印象。機(jī)器人控制領(lǐng)域就使用了大量的強(qiáng)化學(xué)習(xí)技術(shù)。除此之外，游戲、3D圖像處理、棋類（2016年備受矚目的AlphaGo圍棋）、等領(lǐng)域都有應(yīng)用。

機(jī) 器 人

游 戲

3D 圖 像 處 理

人 機(jī) 大 戰(zhàn)

強(qiáng)化學(xué)習(xí)是通過(guò)對(duì)未知環(huán)境一邊探索一邊建立環(huán)境模型以及學(xué)習(xí)得到一個(gè)最優(yōu)策略。強(qiáng)化學(xué)習(xí)與其他機(jī)器學(xué)習(xí)算法不同的地方在于沒(méi)有監(jiān)督者，只有一個(gè)Reward信號(hào)，而且反饋是延遲的。強(qiáng)化學(xué)習(xí)是人工智能之機(jī)器學(xué)習(xí)中一種快速、高效且不可替代的學(xué)習(xí)算法，實(shí)際上強(qiáng)化學(xué)習(xí)是一套很通用的解決人工智能問(wèn)題的框架，值得人們?nèi)パ芯?。另外，深度學(xué)習(xí)［參見人工智能（22）］和強(qiáng)化學(xué)習(xí)相結(jié)合，不僅給強(qiáng)化學(xué)習(xí)帶來(lái)端到端優(yōu)化便利，而且使得強(qiáng)化學(xué)習(xí)不再受限于低維空間，極大地拓展了強(qiáng)化學(xué)習(xí)的使用范圍。谷歌DeepMind中深度強(qiáng)化學(xué)習(xí)領(lǐng)頭人David Silver曾經(jīng)說(shuō)過(guò)，深度學(xué)習(xí)（DL）＋ 強(qiáng)化學(xué)習(xí)（RL） ＝ 人工智能（AI）。