MLPrague 2020-如何制定数据驱动型决策:情境多臂匪徒的案例 其他名称:联想强化学习,联想土匪,带有部分反馈的学习,具有辅助信息的土匪 强化学习的要素 除了主体和环境之外,还可以识别强化学习系统的四个主要子元素:策略,奖励信号,价值函数以及(可选)环境模型。 策略-定义学习代理在给定时间的行为方式。 粗略地说,策略是从感知到的环境状态到处于这些状态时要采取的措施的映射。 它对应于心理学中所谓的一组刺激-React规则或联想。 在某些情况下,策略可能是简单的函数或查找表,而在其他情况下,策略可能涉及大量的计算,例如搜索过程。 该政策是强化学习代理的核心,就其本身而言,它足以确定行为。 通常,策略可能是随机的,为每个操作指定概率。 奖励信号-定义强化学习问题的目标。 在每个时间步骤中,环境都会向强化学习代理发送一个称为奖励的数字。 代理商的唯一目标是在长期内获得最大的总回报。 因