[Reinforcement Learning] 強化學習介紹

隨着AlphaGo和AlphaZero的出現，強化學習相關算法在這幾年引發了學術界和工業界的重視。最近也翻了不少強化學習的資料，有時間了仍是得本身動腦筋整理一下。

強化學習定義

先借用維基百科上對強化學習的標準定義：

強化學習（Reinforcement Learning，簡稱RL）是機器學習中的一個領域，強調如何基於環境而行動，以取得最大化的預期利益。

從本質上看，強化學習是一個通用的問題解決框架，其核心思想是 Trial & Error。

強化學習能夠用一個閉環示意圖來表示：

強化學習四元素

• 策略（Policy）：環境的感知狀態到行動的映射方式。
• 反饋（Reward）：環境對智能體行動的反饋。
• 價值函數（Value Function）：評估狀態的價值函數，狀態的價值即從當前狀態開始，指望在將來得到的獎賞。
• 環境模型（Model）：模擬環境的行爲。

強化學習的特色

• 起源於動物學習心理學的試錯法（trial-and-error），所以符合行爲心理學。
• 尋求探索（exploration）和採用（exploitation）之間的權衡：強化學習一面要採用（exploitation）已經發現的有效行動，另外一方面也要探索（exploration）那些沒有被承認的行動，已找到更好的解決方案。
• 考慮整個問題而不是子問題。
• 通用AI解決方案。

強化學習 vs. 機器學習

機器學習是人工智能的一個分支，在近30多年已發展爲一門多領域交叉學科，而強化學習是機器學習的一個子領域。強化學習與機器學習之間的關係能夠經過下圖來形式化的描述：

注：上圖中Machine Learning分支應該包含進化算法（Evolutionary Algorithms）。

強化學習與其餘機器學習的不一樣：

• 強化學習更加專一於在線規劃，須要在探索（explore 未知領域）和採用（exploit 現有知識）之間找到平衡。
• 強化學習不須要監督者，只須要獲取環境的反饋。
• 反饋是延遲的，不是當即生成的。
• 時間在強化學習中很重要，其數據爲序列數據，並不知足獨立同分布假設（i.i.d）。

強化學習 vs. 監督學習

強化學習與監督學習能夠參考下圖：

二者的目標都是學習一個model，而區別在於：

監督學習：

• Open loop
• Learning from labeled data
• Passive data

強化學習：

• Closed loop
• Learning from decayed reward
• Explore environment

強化學習 vs. 進化算法

進化算法（Evolutionary Algorithms，簡稱EA）是經過生物進化優勝略汰，適者生存的啓發而發展的一類算法，經過種羣不斷地迭代達到優化的目標。進化算法屬於仿生類算法的一種，仿生類算法還包括粒子羣算法（PSO）、人工免疫算法以及如日中天的神經網絡算法等。

進化算法最大的優勢在於整個優化過程是gradients-free的，其思想能夠經過下圖表示：

RL和EA雖然都屬於優化問題的求解框架，並且二者都須要大量的算力，可是二者有着本質上的區別。

Sutton在其強化學習介紹一書中也重點談到了RL與EA的區別，這裏簡單談幾點：

• RL經過與環境交互來進行學習，而EA經過種羣迭代來進行學習；
• RL經過最大化累計回報來解決序列問題，而EAs經過最大化適應函數（Fitness Function）來尋求單步最優；
• RL對於state過於依賴，而EA在agent不能準確感知環境的狀態類問題上也能適用。

近期隨着RL的研究熱潮不斷推動，不少研究也嘗試經過將EA和RL結合解決優化問題，好比OpenAI經過使用進化策略來優化RL，得到了突破性的進展[3]。

強化學習分類

強化學習分類比較多樣：

• 按照環境是否已知能夠分爲Model-based & Model-free；
• 按照學習方式能夠分爲On-Policy & Off-Policy；
• 按照學習目標能夠分爲Value-based & Policy-based。

下圖爲根據環境是否已知進行細分的示意圖：

強化學習相關推薦資料

• Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto：介紹強化學習很全面的一本書籍，相關的電子書及源碼見這裏。
• David Silver在UCL的強化學習視頻教程：介紹強化學習的視頻教程，基本與Sutton的書籍能夠配套學習，Silver來自於Google Deepmind，視頻和課件能夠從Silver的主頁獲取，中文字幕版視頻YouTube連接點這裏。
• 強化學習在阿里的技術演進與業務創新：介紹強化學習在阿里巴巴的落地，能夠拓展強化學習應用的業務思路，電子版見這裏，密碼：yh48。
• Tutorial: Deep Reinforcement Learning：一樣來自於Sliver的一個課件，主要針對RL與DL的結合進行介紹，電子版見這裏，密碼：9mrp。
• 莫煩PYTHON強化學習視頻教程：能夠經過簡短的視頻歸納地瞭解強化學習相關內容，適合於入門的同窗，視頻見這裏。
• OpenAI Gym：Gym is a toolkit for developing and comparing reinforcement learning algorithms，Gym包含了不少的控制遊戲（好比過山車、二級立杆、Atari遊戲等），並提供了很是好的接口能夠學習，連接見這裏。
• Lil'Log：介紹DL和RL的一個優質博客，RL相關包括RL介紹、Policy Gradients算法介紹及Deep RL結合Tensorflow和Gym的源碼實現，主頁連接見這裏。

Reference

[1] 維基百科-強化學習
[2] Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, 2018
[3] Evolution Strategies as a Scalable Alternative to Reinforcement Learning