Easy RL 强化学习教程 王琦,杨毅远,江季 编 专业科技 文轩网

第 1 章绪论 1
1.1 强化学习概述 1
1.1.1 强化学习与监督学习 1
1.1.2 强化学习的例子 5
1.1.3 强化学习的历史 7
1.1.4 强化学习的应用 8
1.2 序列决策概述 10
1.2.1 智能体和环境 10
1.2.2 奖励 10
1.2.3 序列决策 10
1.3 动作空间 12
1.4 强化学习智能体的组成部分和类型 12
1.4.1 策略 13
1.4.2 价值函数 13
1.4.3 模型 14
1.4.4 强化学习智能体的类型 16
1.5 学习与规划 19
1.6 探索和利用 20
1.7 强化学习实验 22
1.7.1 Gym 23
1.7.2 MountainCar-v0 例子27
1.8 关键词 30
1.9 习题 31
1.10 面试题 32
参考文献 32

第 2 章马尔可夫决策过程 33
2.1 马尔可夫过程 34
2.1.1 马尔可夫性质 34
2.1.2 马尔可夫过程/马尔可夫链 34
2.1.3 马尔可夫过程的例子 35
2.2 马尔可夫奖励过程 36
2.2.1 回报与价值函数 36
2.2.2 贝尔曼方程 38
2.2.3 计算马尔可夫奖励过程价值的迭代算法 42
2.2.4 马尔可夫奖励过程的例子 43
2.3 马尔可夫决策过程 44
2.3.1 马尔可夫决策过程中的策略 44
2.3.2 马尔可夫决策过程和马尔可夫过程/马尔可夫奖励过程的区别 45
2.3.3 马尔可夫决策过程中的价值函数 45
2.3.4 贝尔曼期望方程 46
2.3.5 备份图47
2.3.6 策略评估 49
2.3.7 预测与控制 51
2.3.8 动态规划 53
2.3.9 使用动态规划进行策略评估 53
2.3.10 马尔可夫决策过程控制 56
2.3.11 策略迭代 58
2.3.12 价值迭代 61
2.3.13 策略迭代与价值迭代的区别 63
2.3.14 马尔可夫决策过程中的预测和控制总结 66
2.4 关键词 67
2.5 习题 68
2.6 面试题 69
参考文献 69

第3 章表格型方法 70
3.1 马尔可夫决策过程 70
3.1.1 有模型71
3.1.2 免模型72
3.1.3 有模型与免模型的区别 73
3.2 Q 表格 73
3.3 免模型预测 77
3.3.1 蒙特卡洛方法 77
3.3.2 时序差分方法 80
3.3.3 动态规划方法、蒙特卡洛方法以及时序差分方法的自举和采样 86
3.4 免模型控制 88
3.4.1 Sarsa：同策略时序差分控制 91
3.4.2 Q 学习：异策略时序差分控制 94
3.4.3 同策略与异策略的区别 97
3.5 使用Q 学习解决悬崖寻路问题 98
3.5.1 CliffWalking-v0 环境简介 98
3.5.2 强化学习基本接口 100
3.5.3 Q 学习算法 102
3.5.4 结果分析 103
3.6 关键词 104
3.7 习题105
3.8 面试题 105
参考文献 105

第4 章策略梯度 106
4.1 策略梯度算法 106
4.2 策略梯度实现技巧 115
4.2.1 技巧1：添加基线 115
4.2.2 技巧2：分配合适的分数 117
4.3 REINFORCE：蒙特卡洛策略梯度 119
4.4 关键词 125
4.5 习题125
4.6 面试题 125
参考文献 126

第5 章近端策略优化 127
5.1 从同策略到异策略 127
5.2 近端策略优化 133
5.2.1 近端策略优化惩罚 134
5.2.2 近端策略优化裁剪 135
5.3 关键词 138
5.4 习题139
5.5 面试题 139
参考文献 139

第6 章深度Q 网络 140
6.1 状态价值函数 140
6.2 动作价值函数 145
6.3 目标网络 150
6.4 探索152
6.5 经验回放 154
6.6 深度Q 网络算法总结156
6.7 关键词 157
6.8 习题158
6.9 面试题 159
参考文献 159

第7 章深度Q 网络进阶技巧 160
7.1 双深度Q 网络 160
7.2 竞争深度Q 网络 162
7.3 优先级经验回放 165
7.4 在蒙特卡洛方法和时序差分方法中取得平衡 166
7.5 噪声网络 167
7.6 分布式Q 函数 168
7.7 彩虹170
7.8 使用深度Q 网络解决推车杆问题 172
7.8.1 CartPole-v0 简介 172
7.8.2 深度Q 网络基本接口 173
7.8.3 回放缓冲区175
7.8.4 Q 网络 175
7.8.5 深度Q 网络算法 176
7.8.6 结果分析 178
7.9 关键词 179
7.10 习题 180
7.11 面试题 180
参考文献 180

第8 章针对连续动作的深度Q 网络 181
8.1 方案1：对动作进行采样182
8.2 方案2：梯度上升 182
8.3 方案3：设计网络架构 182
8.4 方案4：不使用深度Q 网络 183
8.5 习题184

第9 章演员-评论员算法 185
9.1 策略梯度回顾 185
9.2 深度Q 网络回顾 186
9.3 演员-评论员算法 187
9.4 优势演员-评论员算法 188
9.5 异步优势演员-评论员算法 190
9.6 路径衍生策略梯度 191
9.7 与生成对抗网络的联系 195
9.8 关键词 196
9.9 习题196
9.10 面试题 196

第 10 章深度确定性策略梯度 197
10.1 离散动作与连续动作的区别 197
10.2 深度确定性策略梯度199
10.3 双延迟深度确定性策略梯度 203
10.4 使用深度确定性策略梯度解决倒立摆问题 205
10.4.1 Pendulum-v1 简介 205
10.4.2 深度确定性策略梯度基本接口 206
10.4.3 Ornstein-Uhlenbeck 噪声 207
10.4.4 深度确定性策略梯度算法 208
10.4.5 结果分析209
10.5 关键词 211
10.6 习题 211
10.7 面试题 211
参考文献 211

第 11 章稀疏奖励212
11.1 设计奖励 212
11.2 好奇心 214
11.3 课程学习 216
11.4 分层强化学习 219
11.5 关键词 221
11.6 习题 222
参考文献 222

第 12 章模仿学习223
12.1 行为克隆 223
12.2 逆强化学习 226
12.3 第三人称视角模仿学习 231
12.4 序列生成和聊天机器人 232
12.5 关键词 233
12.6 习题 233
参考文献 234

第 13 章AlphaStar 论文解读 235
13.1 AlphaStar 以及背景简介 235
13.2 AlphaStar 的模型输入和输出是什么呢？——环境设计 235
13.2.1 状态（网络的输入） 236
13.2.2 动作（网络的输出） 236
13.3 AlphaStar 的计算模型是什么呢？——网络结构 237
13.3.1 输入部分237
13.3.2 中间过程239
13.3.3 输出部分239
13.4 庞大的AlphaStar 如何训练呢？——学习算法 240
13.4.1 监督学习240
13.4.2 强化学习241
13.4.3 模仿学习242
13.4.4 多智能体学习/自学习 243
13.5 AlphaStar 实验结果如何呢？——实验结果 243
13.5.1 宏观结果243
13.5.2 其他实验（消融实验） 244
13.6 关于AlphaStar 的总结 245
参考文献 245