強化學習四要素：狀態(state)、動作(action)、策略（policy）、獎勵(reward)。
強化學習就是考慮的是智慧型體（agent）與環境（environment）的互動問題：
這裡是引用智慧型體處在乙個環境中，每個狀態為智慧型體對當前環境的感知；智慧型體只能通過動作來影響環境，當智慧型體執行乙個動作後，會使得環境按某種概率轉移到另乙個狀態；同時，環境會根據潛在的獎賞函式反饋給智慧型體乙個獎賞。強化學習的目標是找到乙個最優策略，使智慧型體獲得盡可能多的來自環境的獎勵。例如賽車遊戲，遊戲場景是環境，賽車是智慧型體，賽車的位置是狀態，對賽車的操作是動作，怎樣操作賽車是策略，比賽得分是獎勵。在**中中常用觀察(observation)而不是環境，因為智慧型體不一定能得到環境的全部資訊，只能得到自身周圍的資訊。— 周志華 《機器學習》
學習開始時往往採用隨機策略進行實驗得到一系列的狀態、動作和獎勵樣本，演算法根據樣本改進策略，最大化獎勵。由於獎勵越來越大的特性，這種演算法被稱作增強學習。
強化學習 基礎知識
在機器學習中，我們比較熟知的是監督式學習，非監督學習，此外還有乙個大類就是強化學習。強化學習是機器學習的乙個重要分支，是多學科多領域交叉的乙個產物，它的本質是解決自動進行決策，並且可以做連續決策。它主要包含五個元素，agent 智慧型體 environment 環境 state 狀態 action ...
強化學習 強化學習基礎
為了應對車載網路中通訊環境快速變化的難題，可以使用強化學習進行解決，這裡對強化學習的基礎進行整理。主要的應用場景為車載網路中資源分配問題。本文源自莫煩python 強化學習章節，有需要請查閱原文 20200413補充了一些內容，來自這篇部落格，是李巨集毅的深度強化學習的筆記。強化學習的主要構成有 a...
強化學習基礎
mdps簡單來說就是乙個智慧型體 agent 採取行動 action 從而改變自己的狀態 state 來獲取獎勵 reward 與環境 environment 互動的過程。mdps的策略完全取決於當前狀態，這也是馬爾科夫性質的體現。可以簡單的表示為 m a,ps a,r 回報 return u s0...