当前的机器学习算法⼤致可以分为有监督的学习、⽆监督的学习和强化学 习（Reinforcement Learning）等。强化学习和其他学习⽅法不同之处在于强化学 习是智能系统从环境到⾏为映射的学习，以使奖励信号函数值最⼤。如果智能 体的某个⾏为策略导致环境正的奖赏，那么智能体以后产⽣这个⾏为策略的趋 势便会加强。强化学习是最接近于⾃然界动物学习的本质的⼀种学习范式。然 ⽽强化学习从提出到现在，也差不多有半个世纪左右，它的应⽤场景仍很有限， 规模⼤⼀点的问题就会出现维数爆炸，难于计算，所以往往看到的例⼦都是相 对简化的场景。 最近因为与深度学习结