什么是强化学习？
强化学习（Reinforcement learning，简称RL）是和监督学习，非监督学习并列的第三种机器学习方法，如下图示：
首先让我们举一个小时候的例子：
你现在在家，有两个动作选择：打游戏和读书。如果选择打游戏的话，你就跑到了网吧，选择读书的话，就坐在了书桌面前。你爸妈下班回家，如果发现你在网吧，就会给你一套社会主义的铁拳，如果你在书桌面前的话，就会买根棒棒糖给你吃。
首先，你在家的时候并不知道选择哪一个动作，因此你可能会选择study或者game。但是，当你接受了多次社会主义的毒打和奖励棒棒糖之后，你会发现选择game会得到惩罚，选择study你会得到奖励。因此当你再次处于”home“状态时，你就会偏向于选择“study”。（这便是强化学习！！）
强化模型可以建模如下：
以上面的为例子，对如下进行说明：
-
Agent：Agent也就是执行个体，我们可以操作执行个体做出不同的选择（也就是动作Action）。
图中的“你”
-
Environment：我们研究的环境，它有一个一个的状态（State）。
图中你所处的位置状态：网吧or书桌
-
Action：当Agent做出动作（action）的时候，环境会发生改变也就是State会发生改变。
选择Study或者Game后你会处于书桌或者网吧的状态
-
Reward：当State发生改变时，环境会给予一定的奖励（奖励可为正负）。
拳头or棒棒糖
总的来说，就是Agent在(t)时刻处于(s_t)状态，它会做出某一个动作(a_i)，导致(t+1)的状态为(s_{t+1})，同时在(t+1)时刻得到的奖励为(R_{t+1})。
接下来我们再介绍强化学习中稍微复杂一点的概念。这些概念是以后的基础，也比较简单，很容易理解。
策略(Policy)(pi)
当Agent处于某一个state的时候，它做的Action是不确定的，例如你可以选择study也可以选择game，也就是说你在某一个状态是以一定的概率去选择某一个action。也就是说，策略的选择是一个条件概率(pi(a|s))，这里的(pi)与数序中的(pi)没有任何关系，他只是代表一个函数而已（因此也可以写作(f(a|s))）。
此函数代表：在状态(s)时采取动作(a)的概率分布。
价值(value)
前面我们说到过奖励，当Agent在(t)时刻执行某个动作时，会得到一个(R_{t+1})。我们可以想一下蝴蝶效应，这个Action会影响(R_{t+1})，那么他会不会影响(R_{t+2}，R_{t+3}……R_{t+n})呢？很可能会的，比如说在电游中，你所做的某个选择肯定会对接下来的游戏产生影响，这个影响可以深远，也可以没那么深渊（对，我说的就是隐形守护者，mmp），因此状态价值函数可以表示为：
(v_{pi}(s))与策略函数(pi)有关，可以理解为当Agent以策略(pi)运行时，状态(s)的价值是多少。也就是在此状态下，我能够得到多少回报。
在后面我们会详细的对这个函数进行分析。
$ gamma$ 奖励衰减因子
在上面的价值函数中，有一个变量(gamma) ，即奖励衰减因子，在[0，1]之间。如果为0，则是贪婪法，即价值只由当前的奖励决定，如果是1，则所有的后续状态奖励和当前奖励一视同仁。一般来说取0到1之间的数。
环境的状态转化模型
由于在某个状态下，执行一定的action，能够达到新的一个状态(state_{t+1})，但是(state_{t+1})不一定是唯一的。环境的状态转化模型，可以理解为一个概率状态机，它是一个概率模型，即在状态(t)下采取动作(a),转到下一个状态(s')的概率，表示为(P_{ss'}^a)。
探索率(epsilon)
怎么说的探索率呢？它主要是为了防止陷入局部最优。比如说目前在(s_1)状态下有两个(a_1,a_2)。我们通过计算出，发现执行(a_1)的动作比较好，但是为了防止陷入局部最优，我们会选择以 (epsilon) 的概率来执行(a_2)，以(1 - epsilon) 的概率来执行(a_1)。一般来说，(epsilon) 随着训练次数的增加而逐渐减小。
马尔科夫决策过程(MDP)
前面我们说过某个状态执行action可以转换成另外一个state，可以用概率表示为：(P_{ss'}^a)。那么这个概率与什么有关呢？认真的考虑下，毋庸置疑，与目前的状态(s_t和a)有关，但是同样，它可能也与上一个状态(s_{t-1})，上上个状态(s_{t-2})……有关，但是如果真的这样考虑，就复杂了。
因此我们将问题进行一定的简化，简化的方法就是假设状态转化的马尔科夫性，也就是假设转化到下一个状态(s')的概率仅与当前状态(s)有关，与之前的状态无关（也就是说未来与当前有关，与过去无关）。用公式表示就是：
同时对于针对于策略 (pi) 我们也做MDP假设，也就是说，当前Agent所作的策略仅仅与当前状态有关，与以前的状态都没有关系，因此：
同样针对于价值函数(v)，有：
价值函数与Bellman方程
之所以我们来分析这个价值函数，是因为它是强化学习的核心，为什么Agent能够自动学习，自动选择某一个Action，其中一个量化标准就是它：
令：
(G_t)代表Return，代表Agent从某一个状态(S_t)开始直到终止状态时所有奖励的有衰减的之和。
则有：
So：
因此：
上述方程便是Bellman方程的基本形态。因此我们可以知道，当前状态的价值与奖励(R_{t+1})和下一个状态的价值有关。
动作价值函数
这里再说一下动作价值函数，它代表着在当前state下，做某一个action的价值：
同样，我们利用Bellman方程，可以将上式转化成：
动作价值函数与状态价值函数之间可以相互进行转化：
图示说明如下：图来自（强化学习（二）马尔科夫决策过程(MDP)）
综上可得：
总结
OK，强化学习的入门介绍就到这里，通过这篇博客，我们知道了：
-
策略 (pi) ：表示在某一个状态下，action的概率分布函数(pi(a|s) = P(A_t=a | S_t=s))
-
(gamma) ：奖励衰减因子，表示后续奖励的占比
-
探索率(epsilon)：表示Agent以 (epsilon) 的概率来随机选择action
-
状态转化模型：表示执行某个action后，状态变化的概率函数(P_{ss'}^a = mathbb{P}(S_{t+1}=s'|S_t=s, A_t=a))
-
状态价值函数：表示 (t) 时刻的状态 (s_{t}) 能获得的未来回报（return）的期望(v_pi(s)=mathbb{E}left[R_{t+1}+gamma left(S_{t+1} ight) | S_{t}=s ight])
-
动作价值函数：表示 (t) 时刻的状态 (s)，选择一个 action 后能获得的未来回报（return）的期望
(q_{pi}(s,a) = mathbb{E}_{pi}(R_{t+1} + gamma q_{pi}(S_{t+1},A_{t+1}) | S_t=s, A_t=a))