1. RL Outline 强化学习（Reinforcement Learning）概述

What is RL? (Three steps in ML)
Policy Gradient
Actor-Critic
Reward Shaping
No Reward: Learning from Demonstration

强化学习（Reinforcement Learning, RL）是机器学习（Machine Learning, ML）中的一个重要范式，它与监督学习和无监督学习并列。RL的核心在于通过智能体（agent）与环境的交互，智能体通过观察环境状态并采取行动，以最大化累积奖励（cumulative reward）为目标进行学习。

1.1 RL的基本框架

强化学习（RL）概述及其关键技术

强化学习（Reinforcement Learning, RL）是机器学习的一个分支，它关注如何让代理（agent）通过与环境互动，学习做出决策以最大化累积奖励的过程。在典型的强化学习框架下，代理会根据观察到的状态选择动作，并接收到一个反馈信号——奖励，以此来指导其未来的行动选择。强化学习通常被分为三个关键步骤：状态观测、动作选择和奖励接收。

三步骤详解

1. 状态观测：代理观测当前环境的状态。
2. 动作选择：基于当前状态，代理决定采取的动作。
3. 奖励接收：代理执行动作后，从环境中获得正向或负向的奖励。

关键技术

1)

• 定义：策略梯度是一种直接优化策略函数的参数化方法。这种方法通过梯度上升的方式调整策略函数的参数，以期望最大化策略函数所对应的长期回报。
• 公式：对于离散动作空间，策略梯度可以通过以下公式表示
  $$\Delta \theta =\alpha \sum _t{\nabla }_{\theta }\log \pi (a_t|s_t,\theta )R(t)$$
  其中 ( \theta ) 是策略参数，( \alpha ) 是学习率，( R(t) ) 是从时间步 ( t ) 开始的累计奖励。

2)Actor-Critic 方法

• 定义：Actor-Critic 方法结合了策略梯度和值迭代的思想，其中Actor负责决策（选择动作），Critic负责评估决策的好坏（计算动作价值）。
• 原理：Actor更新策略以增加有利动作的概率，Critic评估动作并指导Actor的更新方向。

3)奖励塑形（Reward Shaping）

• 定义：奖励塑形是一种技术，它通过修改原始奖励函数来加速学习过程。
• 目的：通过添加额外的奖励（如局部奖励）以引导代理更快地学习目标行为。

4)No Reward: Learning from Demonstration

• 定义：在没有即时奖励的情况下，通过模仿专家演示来学习最优策略。

• 应用场景：当直接获得即时奖励较为困难时采用此方法。

• 强化学习：是一种通过与环境互动学习决策的过程，其核心在于通过观察、动作选择以及奖励接收来不断优化代理的行为策略。

• 关键技术：包括策略梯度（直接优化策略）、Actor-Critic（结合策略优化与值估计）、奖励塑形（调整奖励函数）和Learning from Demonstration（无直接奖励情况下的学习）。

综上所述，强化学习是通过与环境的交互学习如何做出最佳决策的一种方法，上述提到的技术在这一过程中扮演着重要角色。

2. RL 引入：从这个小游戏开始

在这里插入图片描述

3. Policy Gradient 方法

4. Actor-Critic 方法

5. 奖励塑形（Reward Shaping）

6. No Reward: Learning from Demonstration