强化学习的通俗理解

定义
强化学习，是在与环境的互动当中，为了达成一个目标而进行的学习过程

第一层主体
三个要素
agent-与环境互动的主体
environment-环境
goal-目标

游戏(环境)的玩法
玩家的目标

第二层主体
强化学习的过程主要是围绕这三个要素展开
state 状态
action 行动
reward 奖励

比如
玩家和环境会处于某种状态state，对于策略类游戏来说，其状态自然就是战场信息

在一个状态之下，玩家需要做出某种行动，即action，根据当前的战场信息，玩家要决定军队的部署与生产资源的配置

reward指agent在一个状态(state)下采取行动后得到的反馈(reward)，在强化学习中，reward通常是一个实数，并且可能是0

比如，只有赢得这场战争才能得到一个大于0的分值，可以人为规定，胜利的奖励为1，败北或者和谈收场的奖励为0，而在战争结束之前，任何一次的行动得到的奖励实际上都为0

这个奖励要适当设置，比如我们策略游戏的胜利条件是完整拿下地盘，而不是尽可能地消灭敌方军队，那么就不能把消灭敌方单位获得地分数设置的太高，以免我们的算法更加倾向于消灭地方军队而不是抢地盘

由此我们只要使得我们的算法的得分予以最大化即可，最大化总的奖励，就是强化学习的目的

奖励是一个即时的反馈，而目标是一个长远的结果

第三层主体，核心部分
policy 策略-指在某一状态下改采取什么样的行动，用编程的思想去理解就是，在这一步，要调用什么样的函数
value 价值-价值同样是一个函数，价值函数同样函数，策略函数就取决于价值函数，价值函数有两种，第一种就是state value 状态价值函数
，其输入是一个状态，输出是一个实数，该实数就是该状态的价值，价值的含义，指的是预期将来会得到的所有奖励之和，即处于当前的状态下，玩家能得到的所有奖励的一个期望值
而玩家的目标就是让价值尽可能地大，通过状态价值函数，玩家应该选择进入价值尽可能大的状态，而这是通过特定行动实现的，这就是状态价值函数决定了玩家的策略

另一个函数被称之为state-action-value 状态行动价值函数，指的是，在特定状态下采取某种行动所具有的价值，根据状态行动价值函数，玩家应该选择价值最高的行动