强化学习

✍ dations ◷ 2025-06-27 23:18:24 #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

  • 头孢唑肟头孢唑肟(英文名Ceftizoxime)也称为“安保速灵”“安普西林”“头孢去甲噻肟”“去甲噻肟头孢菌素”或“去甲酰氧甲基唑肟头孢菌素”,是一种不经肠的第三代头孢菌素,常以头孢唑
  • ST节段ST节段(ST segment)为心电图学术语,表示QRS复合波(英语:QRS complex)至T波之间的间期,一般介于 0.005 至 0.150 秒之间(5 至 150 毫秒)。ST节段始于J点(英语:J-point)(即QRS复合波的终点),
  • 凤凰号凤凰号除指首次在火星确认有水存在的凤凰号火星探测器外,还指:《星际迷航》(Star Trek) 中的人类第一艘曲速飞船凤凰号,于2063年4月5日首飞。还有星舰舰级名:凤凰级星舰《星际迷航
  • 狭鼻小目见内文狭鼻小目(Catarrhini)是灵长目简鼻亚目中三个小目之一,包含了旧世界猴(猴总科)及猿(人猿总科)。后者再细分为长臂猿科及人科。以往认为人类及其已灭绝的近亲或祖先是一个独立
  • 胚芽胚芽是植物种子胚的一部分,由生长点和幼叶组成,与胚茎和胚根共同构成胚轴。胚芽位于胚轴的上端,当种子发芽出土后,将继续发育成产生植物的茎、枝和叶片等构造。禾本科植物种子
  • 卡尔卡松卡尔卡松(法语:Carcassonne,法语发音:.mw-parser-output .IPA{font-family:"Charis SIL","Doulos SIL","Linux Libertine","Segoe UI","Lucida Sans Unicode","Code2000","Genti
  • 碘离子碘化物指含有碘离子(I−)的化合物, 包括以碘化铯为例的离子化合物以及以四碘化碳为例的共价化合物。大多数离子性碘化物都是可溶于水的,除了黄色的碘化银和碘化铅。检验碘离子时
  • 茉莉茉莉通常指木犀科素馨属植物茉莉花,以下植物亦称茉莉:
  • 燃烧是物体快速氧化,产生光和热的过程。燃烧的本质是氧化还原反应。广义燃烧不一定要有氧气参加,任何发光、发热、剧烈的氧化还原反应,都可以叫燃烧。燃烧需要三种要素并存才能
  • 碎纸片彩色纸屑(意大利语:Coriandoli),指以聚脂薄膜或金属材料为原料的多种色彩的纸片碎屑,通常用于巡游,运动会等庆祝活动,特别是婚礼庆祝上。早期的纸屑源于意大利。现代意义上的彩色纸