强化学习

✍ dations ◷ 2025-09-02 17:14:11 #强化学习
强化学习(英语:Reinforcement learning,简称RL)是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。这个方法具有普适性,因此在其他许多领域都有研究,例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。在运筹学和控制理论研究的语境下,强化学习被称作“近似动态规划”(approximate dynamic programming,ADP)。在最优控制理论中也有研究这个问题,虽然大部分的研究是关于最优解的存在和特性,并非是学习或者近似方面。在经济学和博弈论中,强化学习被用来解释在有限理性的条件下如何出现平衡。在机器学习问题中,环境通常被规范为马尔可夫决策过程(Markov decision processes,MDP),所以许多强化学习算法在这种情况下使用动态规划技巧。传统的技术和强化学习算法的主要区别是,后者不需要关于MDP的知识,而且针对无法找到确切方法的大规模MDP。强化学习和标准的监督式学习之间的区别在于,它并不需要出现正确的输入/输出对,也不需要精确校正次优化的行为。强化学习更加专注于在线规划,需要在探索(在未知的领域)和遵从(现有知识)之间找到平衡。强化学习中的“探索-遵从”的交换,在多臂老虎机(英语:multi-armed bandit)问题和有限MDP中研究得最多。基本的强化学习模型包括:规则通常是随机的。主体通常可以观察即时奖励和最后一次转换。在许多模型中,主体被假设为可以观察现有的环境状态,这种情况称为“完全可观测”(full observability),反之则称为“部分可观测”(partial observability)。通常,主体被允许的动作是有限的,例如,在棋盘中棋子只能上、下、左、右移动,或是使用的钱不能多于所拥有的。强化学习的主体与环境基于离散的时间步作用。在每一个时间 t {displaystyle t} ,主体接收到一个观测 o t {displaystyle o_{t}} ,通常其中包含奖励 r t {displaystyle r_{t}} 。然后,它从允许的集合中选择一个动作 a t {displaystyle a_{t}} ,然后送出到环境中去。环境则变化到一个新的状态 s t + 1 {displaystyle s_{t+1}} ,然后决定了和这个变化 ( s t , a t , s t + 1 ) {displaystyle (s_{t},a_{t},s_{t+1})} 相关联的奖励 r t + 1 {displaystyle r_{t+1}} 。强化学习主体的目标,是得到尽可能多的奖励。主体选择的动作是其历史的函数,它也可以选择随机的动作。将这个主体的表现和自始自终以最优方式行动的主体相比较,它们之间的行动差异产生了“悔过”的概念。如果要接近最优的方案来行动,主体必须根据它的长时间行动序列进行推理:例如,要最大化我的未来收入,我最好现在去上学,虽然这样行动的即时货币奖励为负值。因此,强化学习对于包含长期反馈的问题比短期反馈的表现更好。它在许多问题上得到应用,包括机器人控制、电梯调度、电信通讯、双陆棋和西洋跳棋。强化学习的强大能来源于两个方面:使用样本来优化行为,使用函数近似来描述复杂的环境。它们使得强化学习可以使用在以下的复杂环境中:强化学习需要比较聪明的探索机制,直接随机的对动作进行采样的方法性能比较差。虽然小规模的马氏过程已经被认识的比较清楚,这些性质很难在状态空间规模比较大的时候适用,这个时候相对简单的探索机制是更加现实的。其中的一种方法就是 ϵ {displaystyle epsilon } -贪婪算法,这种方法会以比较大的概率(1- ϵ {displaystyle epsilon } )去选择现在最好的动作。如果没有选择最优动作,就在剩下的动作中随机选择一个。 ϵ {displaystyle epsilon } 在这里是一个可调节的参数,更小的 ϵ {displaystyle epsilon } 意味着算法会更加贪心。

相关

  • NDL国立国会图书馆(日语:国立国会図書館/こくりつこっかいとしょかん Kokuritsu kokkai toshokan */?)是日本的国家图书馆,直接隶属于国会,除了主要为日本国会议员的调查、研究等立
  • 空窗期空窗期(英语:window period)在医学检验的领域中,指的是:“从生物体受到疾病感染 那一刻开始直到医学检验可有效侦测到生物体受到疾病感染那一刻为止”中间的时期。例如:一个生物体
  • THTerminologia Histologica(TH)是一份细胞生物学和组织学的受控词表,由FCAT(Federative International Committee on Anatomical Terminology(英语:Federative International Commi
  • 甲状舌骨膜甲状舌骨膜(thyrohyoid membrane、或 hyothyroid membrane(甲状腺膜))是喉部的一种宽广,且呈纤维弹性的片状膜体。甲状舌骨膜的下面附着在甲状软骨的上边缘及其上角部的前方,在
  • 超星系团超星系团是在宇宙的大尺度结构中,比星系团和星系群更大的结构。可观测宇宙中的超星系团约有1,000万个。现存的超星系团显示宇宙内的星系分布是不均匀的;多数的都聚集在一起成
  • 美国国务院美国国务院,直译为美国国务部(英语:United States Department of State,有时亦称State Department),是美国联邦政府负责外交事务的行政部门,前身为美国外交部,目前亦相当于世界各国
  • 夏威夷大学夏威夷大学(University of Hawaii System,前称University of Hawaii,缩写为UH)建于1907年,是位于美国夏威夷州的一个公立男女大学,提供副学士、学士、硕士和博士学位课程。夏威夷
  • 有机催化有机催化(Organocatalysis)是指只含碳、氢、硫和其他非金属元素的“有机催化剂”对化学反应的催化作用。这是目前有机合成中最热门的领域之一。它又可按照催化机理分为烯胺活
  • 洪茂椿洪茂椿(1953年9月17日-),中国无机化学家。生于福建莆田。1978年毕业于福州大学化学系。1981年获中国科学院福建物质结构研究所硕士学位。日本名古屋大学博士。中国科学院福建物
  • 法兰西斯·高尔顿弗朗西斯·高尔顿爵士,FRS(英语:Sir Francis Galton,1822年2月16日-1911年1月17日),英格兰维多利亚时代的博学家、人类学家、优生学家、热带探险家、地理学家、发明家、气象学家、