在之前的討論中，我們總是給定一個樣本x，然后給或者不給label y。之后對樣本進行擬合、分類、聚類或者降維等操作。然而對于很多序列決策或者控制問題，很難有這么規則的樣本。比如，四足機器人的控制問題，剛開始都不知道應該讓其動那條腿，在移動過程中，也不知道怎么讓機器人自動找到合適的前進方向。

     另外如要設計一個下象棋的AI，每走一步實際上也是一個決策過程，雖然對于簡單的棋有A*的啟發式方法，但在局勢復雜時，仍然要讓機器向后面多考慮幾步后才能決定走哪一步比較好，因此需要更好的決策方法。

     對于這種控制決策問題，有這么一種解決思路。我們設計一個回報函數（reward function），如果learning agent（如上面的四足機器人、象棋AI程序）在決定一步后，獲得了較好的結果，那么我們給agent一些回報（比如回報函數結果為正），得到較差的結果，那么回報函數為負。比如，四足機器人，如果他向前走了一步（接近目標），那么回報函數為正，后退為負。如果我們能夠對每一步進行評價，得到相應的回報函數，那么就好辦了，我們只需要找到一條回報值最大的路徑（每步的回報之和最大），就認為是最佳的路徑。

     增強學習在很多領域已經獲得成功應用，比如自動直升機，機器人控制，手機網絡路由，市場決策，工業控制，高效網頁索引等。

     接下來，先介紹一下馬爾科夫決策過程（MDP，Markov decision processes）。

總結

以上是生活随笔為你收集整理的增强学习（Reinforcement Learning and Control）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。