强化学习系统学习（Matlab代码实现）

我们在思考学习的本质时，首先想到的可能就是通过与环境互动来学习的这一理念。当婴儿玩耍、挥动手臂或环顾四周时，它并没有明确的老师，但它与环境之间却有着直接的感知运动连接。利用这种连接能够产生大量关于因果关系、行为后果以及如何采取行动以达到目标的信息。在我们的一生中，这种互动无疑是了解我们环境和自我的重要来源。无论我们是在学习驾驶汽车还是进行对话，我们都清楚地意识到环境对我们所做的事情的反应，并试图通

Ps.729

1028人浏览 · 2024-10-02 18:54:36

Ps.729 · 2024-10-02 18:54:36 发布

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、文章

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

在本书中，我们探讨了一种基于计算的互动学习方法。我们不直接理论化人类或动物是如何学习的，而是探讨理想化的学习情境，并评估各种学习方法的有效性。也就是说，我们采取了人工智能研究者或工程师的视角。我们探讨了能够有效解决科学或经济兴趣的学习问题的机器设计，并通过数学分析或计算实验来评估这些设计。我们探索的方法称为强化学习，重点更加集中在通过互动进行目标导向的学习，而其他机器学习方法则没有如此集中于此。

强化学习问题的全面规范，尤其是关于马尔可夫决策过程（MDP）的最优控制，需要等到第三章进行介绍，但其基本思想是捕捉学习智能体在与环境互动以实现目标时所面临的最重要方面。显然，这样的智能体必须能够在一定程度上感知环境状态，并能够采取影响该状态的行动。该智能体还必须有与环境状态相关的目标。MDP的表述旨在以最简单的形式涵盖这三个方面——感知、行动和目标，而不简化其任何一个方面。我们认为，任何适合解决此类问题的方法都可以视为强化学习方法。

强化学习与监督学习不同，后者是当前机器学习研究领域中大多数研究所关注的学习类型。监督学习是从由知识渊博的外部监督者提供的标记示例的训练集中学习。每个示例都是对一种情况的描述，并附有对该情况应采取的正确行动的标识——标签，这通常是识别该情况所属类别的过程。这种学习的目的是让系统推断或概括其反应，以便在训练集中未出现的情况下作出正确的行动。在互动问题中，获取既正确又能代表智能体必须行动的所有情况的期望行为示例通常是不切实际的。在未知领域中——也就是人们期望学习能够带来最大益处的地方——一个智能体必须能够从自身经验中学习。

强化学习也不同于机器学习研究人员所称的无监督学习，后者通常是关于在无标签数据集合中寻找隐藏结构。监督学习和无监督学习这两个术语看似可以完全划分机器学习范式，但实际上并非如此。虽然人们可能会倾向于将强化学习视为一种无监督学习，因为它不依赖于正确行为的示例，但强化学习的目标是最大化奖励信号，而不是寻找隐藏结构。在强化学习中，发掘智能体经验中的结构当然是有用的，但单靠这一点并不能解决强化学习智能体最大化奖励信号的问题。