深度强化学习（Deep Reinforcement Learning）
内容目录：
强化学习与深度学习都属于机器学习范畴，强化学习主要用来解决连续决策问题（比如：通过算法决定机器人的电机做出怎样的动作、设计一个逻辑实现模型玩游戏的功能、在棋盘游戏中与人类对战等，最典型的就是围棋以及其它棋盘游戏）。强化学习受到了生物能够有效地适应环境的启发，能够在复杂的、不确定的环境中通过试错的机制与环境进行交互，并学习到如何实现我们设定的目标。
- 深度强化学习基本概念
- 深度强化学习的思路
- 深度强化学习的典型应用场景
-
深度强化学习的数学分析（深度Q学习为例）
1.深度强化学习基本概念
强化学习包含的3个概念：环境状态（Environment State）、动作（Action）和奖惩（Reward）。以围棋为例：环境状态就是整个已经形成的棋局，行动是指强化学习模型在某个位置落子，奖惩就是当前这步棋获得的目数（围棋中存在不确定性，在对弈时获得估计的目数。为了赢得最终胜利，需要在结束对弈时总目数超过对手）。强化学习模型需要根据环境状态、行动和奖惩，学习出最佳落子策略，并且在结束时的总目数超过对手为目标，即不能只看每一个落子的行动所带来的奖惩，还要看这个行动在未来的潜在价值（这个动作对后面几个动作的影响）
强化学习目标：在回报的奖惩中获得较多的累计奖励，简单点说，模型在训练过程中不断做出尝试性的决策，错了惩罚，对了奖励，由此训练得到在各个状态环境状态中比较好的决策。
注意：强化学习不像无监督学习那样完全没有目标，也不像监督学习那样有明确的目标（如图像分类中的label）,强化学习目标是不明确的，模型只会向着能够得到更多奖励的方向去学习。
2.深度强化学习的思路
强化学习有几十年的历史，经历了人工智能和神经网络的兴衰。发展情况大体如下：
1956年Bellman提出动态规划方法（可认为强化学习起源）。
1977年Werbos在动态规划的基础上提出了自适应的动态规划方法。(受限于当时硬件技术，该方未普及)。
1989年Watkins 提出Q（状态-动作值函数）学习方法，这是最早的在线强化学习方法，也是强化学习中最重要算法之一。
1992年Watkins和Dayan共同证明了Q算法的收敛性。
1999年Thrum提出了部分可观测的马尔科夫决策过程中的蒙特卡洛方法
2006年Kocsis提出了置信上限树算法。
2014年Sliver等提出了确定性策略梯度算法。
在人工智能领域，通常以感知、认知和决策能力作为智能的衡量指标。深度学习（实现了深度学习算法的神经网络）使得硬件对外界的识别感知能力（图像、语音信息识别）得到了巨大的提升。强化学习的试错机制表明它可以不断与环境进行交互，在决策能力持续获取收益为目标的前提下得到最优的决策。深度强化学习结合了深度学习的感知能力和强化学习的决策能力，从而可以使硬件设备直接根据输入的信息（视频、图像、语音、文字）做出一系列动作。从工作方式来看，这种学习模式更像是一种模拟了人类思维方式的人工智能实现。下图展示了实现深度强化学习过程的原理框架。
下图展示了深度强化学习中的动作——评判框架。就目前来说，以深度学习算法为核心的模型都可以通过动作——评判框架来表示。图中的动作模块相当于一个执行机构，输入外部状态s,输出动作a;评判模块相当于一个认知机构，根据历史的动作和回馈r进行更新，即自我调整，然后影响整个运动模块。
在动作——评判框架指导下，2013年Google DeepMind结合强化学习中的Q学习算法与深度学习，提出了DQN（Deep Q-Network深度Q）。DOA可以看做是第一个运用了深度强化学习算法的网络模型，它可以自动玩Atari系列的游戏，并且达到人类水平。借鉴DQN的一些成果，DeepMind将策略网络（Policy Network）、估值网络（Value Network，即DQN）与蒙特卡罗搜索树（Monte Carlo Tree Search）结合起来，实现了具有超高水平的围棋对战程序-----AlphaaGo.AlphaaGo首次出现在2015年，一经出现就取得了不错的对战战绩。
除了DQN深度强化学习算法之外，DeepMind还在2015年、2016年11月提出了A3C和UNREAL两大深度强化学习算法。