什么是强化学习

“强化学习”这个词，指一类问题，也指解决这类问题的方法。

强化学习的两个基本特征

• 试错。学习者不会被告知应该采取什么动作，而是自己通过尝试去发现哪些动作收益最大。
• 延迟收益。动作既有即时收益，也有长期收益。

强化学习的其它特征

仿生。实际上“强化”最早源于巴甫洛夫。

强化学习不同于有监督学习

后者学习的是标注。
前者从智能体自身的经验中学习。

强化学习不同于无监督学习

后者的目的是，寻找数据中的隐含结构。
前者的目的是，最大化收益信号。

强化学习不同于进化方法

后者只看结果，不问过程。经典实例就是，门齿楞，这个突变毫无作用，但因为搭上了有用突变的顺风车，而在进化中得以保留。获取结果后，认为过程中所有的动作都有功劳。
前者则充分利用过程，评估每一个动作的价值。
进化方法是对整个策略的评估，强化学习则是对每个动作的评估。

强化学习的独特挑战

explore和exploit的权衡。
但本书并不特别关心平衡两者的具体方法，而是关心要不要去平衡它们。

强化学习典例

对弈。
羚羊幼崽30分钟学会站立和奔跑。
做早餐。
机器人决定工作还是充电。

总结：与不确定的环境进行交互，有目标，需要远见和规划。

强化学习的要素

• 策略
• 即时收益
• 长期价值
• 环境模型

确定价值比确定收益难得多，是强化学习算法中最重要的部分。
目标就是最大化长期总收益，也就是价值。

如果没有环境模型，就只是单纯的试错。有环境模型时，可以对环境做出预测，从而有所规划。

策略是状态到每个动作选择概率的映射。

强化学习的适用范围

可以没有对手，与环境博弈。
可以在时间上连续（对弈是离散的）。
可以用于无穷大的状态集。
可以利用游戏规则以外的先验信息。

强化学习学术主线

• 最优控制
• 试错学习
• 时序差分

解决强化学习问题的一般框架

有限马尔可夫决策过程是解决强化学习问题的一般框架。

赌博机

两个影响因素

• 赌博机是否平稳，即每个臂的分布是否会变
• 每个臂的分布的方差大小，如果大则需要更多explore

平稳赌博机和非平稳赌博机

前者的朴素实现：

思想就是，利用已知的信息，求出一个臂收益的平均值，作为其未来的收入预期。

上面的例子是最容易理解的。实际上可以借助上一次的结果较快算出新的平均值。因为：
新平均值 x n = 旧平均值 x (n-1) + 最新收益

2.3式的理解，随着n的增大，单次收益对整体平均值的影响越来越小。

对于不平稳的赌博机，我们更关心较新的值。把2.3中的步长n换成常数，即可让较新的值对结果产生较大影响。权重是一个等比数列，权重和为1。这个方法称为指数近因加权平均。


这里需要温习一下无穷级数的收敛性判断。可以用积分判别法。lnx+1不收敛，1/x+1则收敛。所以采样平均能在采样次数足够多的前提下收敛到真值。至于常数步长，由于不是递减，显然是发散的。

乐观初始值的理解

试想，如果每个臂的估计初始值为5（超过所有臂的最高收益），那系统就总会认为没选过的臂是更好的。任何实际选择都会带来失望，永远对没选过的抱有幻想。
一开始我以为原始贪心算法一遇到正的就会固定，看了知乎专栏发现其实原始贪心算法也会做一轮探索。所以初始值为0和为5的区别在哪里？
第一轮每个臂的收益都下降了，但下降程度不同。赌徒随后开始大规模操作第一轮的最优（跟原始贪心算法一样），但随后他发现这个不再是最优了（因为对于每条臂，都是越摇越差）。因此，乐观初始值比较大的时候，每个臂都会被选择多次，而不是一次。这样可以缓解原始贪心中的第一轮的误导。
对于非平稳问题，初始值的作用就不大了。

赌博机问题的求解方法

全能全知（Omniscient）

即已经知道回报概率，那最直接的策略就是一直玩这一台。后面的每个策略的探索表现都会和上帝的答案来比较。

随机算法（Random）

每一轮随机地去拉一个摇臂。

贪心算法（Greedy）

先把所有的摇臂都拉一次，然后选择回报最好的老虎机一直玩下去。这种策略很明显不鼓励进行探索，而且很容易被每个摇臂第一遍的回报结果误导。

ucb

upper confidence bound
epsilon-greedy实际上是一种盲目的选择，因为它不太会选择接近贪心或者不确定性特别大的动作。在命中epsilon时，在包括贪心动作在内的所有动作中等概率选择（epsilon/n）。
而ucb体现的是不确定性优先，选择较少的臂的修正项会比较大。

ln t随着轮数的增加而增大，Nt(a)则是截至第t轮选择a的次数。

梯度赌博机算法

在dl，有一句话：“二分类单输出用sigmoid，多分类或多输出用softmax。”

我并不熟悉dl和分类问题。我的理解是这样的：
一个物体属于a类、b类、c类的可能性如果用整数表示为2，3，5，
那么hardmax的结果是5，认为这个物体属于c类。
而softmax则不同，softmax的结果是0.04201007， 0.11419519， 0.8437947（公式见下图）。三个值分别表示这个物体属于a、b、c类的概率。

经过使用指数形式的Softmax函数能够将差距大的数值距离拉的更大。

至于为什么要用sigmoid和softmax，我想是为了在不改变性质的前提下，用可导函数代替不可导函数，方便数学计算。而且相比hardmax，softmax保留了更多信息，肯定更加精确周到。

梯度赌博机算法引入了偏好函数，所有臂的偏好函数初始时是一样的（如0）。
偏好函数的更新：

肤浅的解释是，如果t时刻选一个臂，表现比t时刻的均值要好，那就提高偏好，反之降低。

每次对臂的选择取决于下式：

肤浅的解释是，臂的偏好函数越大，选择这个臂的可能性就越大。

从2.12式可以看出，基准项Rt拔的引入可以减小减小更新项的方差，相比无基准项时收敛更快。
从结果来看，α大的时候收敛更快。

2.12式是怎么来的，以及为什么叫梯度赌博机算法？由2.13推导可以得到2.12。

将每一时刻所有选择的期望看作此时刻所有偏好函数的因变量。
这也是比较自然的，因为偏好影响选择，选择影响性能。
2.13中q*(x)我们无法获得，但可以用期望来代替。实际可用的就是2.12。

汤普森采样

https://www.cnblogs.com/gczr/p/11220187.html
棒球运动员的例子很生动。
我们一开始有一些先验知识（大概了解棒球运动员的击球率区间）；
然后根据本赛季棒球运动员的实际表现来调整击球率的概率分布。
相比朴素除法，我们最后获得的不是一个概率，而是概率的概率分布，即：本赛季的击球率的概率分布。
其优势在于，不太受数据量的影响，不管是赛季刚开始，或是上场比较少，都能不丢失信息地刻画出击球率（如果上场比较少，那么击球率的分布就会比较分散。因为数据少所以不确定性大，从图上是能看出来的），而不是一个扁平的值。

赌博机问题与真正强化学习之间的距离

赌博机问题是上下文无关的，是非关联的，即动作不会影响情境。动作只影响当次收益。
真正的强化学习中，动作不只影响当次收益，还会影响情境。往往有多种情境。
我的理解是，你对赌博机的操作，会影响你玩的下一台赌博机的编号。这就是动作影响情境，不止一种情境。
按我理解，这是一种比较极端的非平稳过程（臂的收益分布不是渐变的，而是跳变的，因为根本就不是同一台赌博机了，所以上文的非平稳方法很大可能没效果）。
强化学习要做的，就是利用赌博机的编号信息，形成与任务相关的策略。