强化学习

目　　录

Reinforcement Learning: State-of-the-Art

译者序

序言

前言

作者清单

第一部分　绪论

第1章　强化学习和马尔可夫决策过程 2

1.1　简介 2

1.2　时序决策 3

1.2.1　接近时序决策 4

1.2.2　在线学习与离线学习 4

1.2.3　贡献分配 5

1.2.4　探索–运用的平衡 5

1.2.5　反馈、目标和性能 5

1.2.6　表达 6

1.3　正式的框架 6

1.3.1　马尔可夫决策过程 7

1.3.2　策略 9

1.3.3　最优准则和减量 9

1.4　价值函数和贝尔曼方程 10

1.5　求解马尔可夫决策过程 12

1.6　动态规划：基于模型的解决方案 13

1.6.1　基本的动态规划算法 13

1.6.2　高效的动态规划算法 17

1.7　强化学习：无模型的解决方案 19

1.7.1　时序差分学习 20

1.7.2　蒙特卡罗方法 23

1.7.3　高效的探索和价值更新 24

1.8　总结 27

参考文献 27

第二部分　高效的解决方案框架

第2章　批处理强化学习 32

2.1　简介 32

2.2　批处理强化学习问题 33

2.2.1　批处理学习问题 33

2.2.2　增长批处理学习问题 34

2.3　批处理强化学习算法的基础 34

2.4　批处理强化学习算法 37

2.4.1　基于核的近似动态规划 37

2.4.2　拟合Q迭代 39

2.4.3　基于最小二乘的策略迭代 40

2.4.4　识别批处理算法 41

2.5　批处理强化学习理论 42

2.6　批处理强化学习的实现 43

2.6.1　神经拟合Q迭代 44

2.6.2　控制应用中的神经拟合Q迭代算法 45

2.6.3　面向多学习器的批处理强化学习 46

2.6.4　深度拟合Q迭代 48

2.6.5　应用／发展趋势 49

2.7　总结 50

参考文献 50

第3章　策略迭代的最小二乘法 53

3.1　简介 53

3.2　预备知识：经典策略迭代算法 54

3.3　近似策略评估的最小二乘法 55

3.3.1　主要原则和分类 55

3.3.2　线性情况下和矩阵形式的方程 57

3.3.3　无模型算法的实现 60

3.3.4　参考文献 62

3.4　策略迭代的在线最小二乘法 63

3.5　例子：car-on-the-hill 64

3.6　性能保障 66

3.6.1　渐近收敛性和保证 66

3.6.2　有限样本的保证 68

3.7　延伸阅读 73

参考文献 74

第4章　学习和使用模型 78

4.1　简介 78

4.2　什么是模型 79

4.3　规划 80

4.4　联合模型和规划 82

4.5　样本复杂度 84

4.6　分解域 86

4.7　探索 88

4.8　连续域 91

4.9　实证比较 93

4.10　扩展 95

4.11　总结 96

参考文献 97

第5章　强化学习中的迁移：框架和概观 101

5.1　简介 101

5.2　强化学习迁移的框架和分类 102

5.2.1　迁移框架 102

5.2.2　分类 104

5.3　固定状态–动作空间中从源到目标迁移的方法 108

5.3.1　问题形式化 108

5.3.2　表示迁移 109

5.3.3　参数迁移 110

5.4　固定状态–动作空间中跨多任务迁移的方法 111

5.4.1　问题形式化 111

5.4.2　实例迁移 111

5.4.3　表示迁移 112

5.4.4　参数迁移 113

5.5　不同状态–动作空间中从源到目标任务迁移的方法 114

5.5.1　问题形式化 114

5.5.2　实例迁移 115

5.5.3　表示迁移 115

5.5.4　参数迁移 116

5.6　总结和开放性问题 116

参考文献 117

第6章　探索的样本复杂度边界 122

6.1　简介 122

6.2　预备知识 123

6.3　形式化探索效率 124

6.3.1　探索的样本复杂度和PAC-MDP 124

6.3.2　遗憾最小化 125

6.3.3　平均损失 127

6.3.4　贝叶斯框架 127

6.4　通用PAC-MDP定理 128

6.5　基于模型的方法 130

6.5.1　Rmax 130

6.5.2　Rmax的泛化 132

6.6　无模型方法 138

6.7　总结 141

参考文献 141

第三部分　建设性的表征方向

第7章　连续状态和动作空间中的强化学习 146

7.1　简介 146

7.1.1　连续域中的马尔可夫决策过程 147

7.1.2　求解连续MDP的方法 148

7.2　函数逼近 149

7.2.1　线性函数逼近 150

7.2.2　非线性函数逼近 153

7.2.3　更新参数 154

7.3　近似强化学习 157

7.3.1　数值逼近 157

7.3.2　策略逼近 162

7.4　双极车杆实验 168

7.5　总结 171

参考文献 171

第8章　综述：求解一阶逻辑马尔可夫决策过程 179

8.1　关系世界中的顺序决策简介 179

8.1.1　马尔可夫决策过程：代表性和可扩展性 180

8.1.2　简短的历史和与其他领域的联系 181

8.2　用面向对象和关系扩展马尔可夫决策过程 183

8.2.1　关系表示与逻辑归纳 183

8.2.2　关系型马尔可夫决策过程 184

8.2.3　抽象问题和求解 184

8.3　基于模型的解决方案 186

8.3.1　贝尔曼备份的结构 186

8.3.2　确切的基于模型的算法 187

8.3.3　基于近似模型的算法 190

8.4　无模型的解决方案 192

8.4.1　固定泛化的价值函数学习 192

8.4.2　带自适应泛化的价值函数 193

8.4.3　基于策略的求解技巧 196

8.5　模型、层级、偏置 198

8.6　现在的发展 201

8.7　总结和展望 203

参考文献 204

第9章　层次式技术 213

9.1　简介 213

9.2　背景 215

9.2.1　抽象动作 215

9.2.2　半马尔可夫决策问题 216

9.2.3　结构 217

9.2.4　状态抽象 218

9.2.5　价值函数分解 219

9.2.6　优化 220

9.3　层次式强化学习技术 220

9.3.1　选项 221

9.3.2　HAMQ学习 222

9.3.3　MAXQ 223

9.4　学习结构 226

9.5　相关工作和当前研究 228

9.6　总结 230

参考文献 230

第10章　针对强化学习的演化计算 235

10.1　简介 235

10.2　神经演化 237

10.3　TWEANN 239

10.3.1　挑战 239

10.3.2　NEAT 240

10.4　混合方法 241

10.4.1　演化函数近似 242

10.4.2　XCS 243

10.5　协同演化 245

10.5.1　合作式协同演化 245

10.5.2　竞争式协同演化 246

10.6　生成和发展系统 247

10.7　在线方法 249

10.7.1　基于模型的技术 249

10.7.2　在线演化计算 250

10.8　总结 251

参考文献 251

第四部分　概率模型

第11章　贝叶斯强化学习 260

11.1　简介 260

11.2　无模型贝叶斯强化学习 261

11.2.1　基于价值函数的算法 261

11.2.2　策略梯度算法 264

11.2.3　演员–评论家算法 266

11.3　基于模型的贝叶斯强化学习 268

11.3.1　由POMDP表述的贝叶斯强化学习 268

11.3.2　通过动态规划的贝叶斯强化学习 269

11.3.3　近似在线算法 271

11.3.4　贝叶斯多任务强化学习 272

11.3.5　集成先验知识 273

11.4　有限样本分析和复杂度问题 274

11.5　总结和讨论 275

参考文献 275

第12章　部分可观察的马尔可夫决策过程 279

12.1　简介 279

12.2　部分可观察环境中的决策 280

12.2.1　POMDP模型 280

12.2.2　连续和结构化的表达 281

12.2.3　优化决策记忆 282

12.2.4　策略和价值函数 284

12.3　基于模型的技术 285

12.3.1　基于MDP的启发式解决方案 285

12.3.2　POMDP的值迭代 286

12.3.3　确切的值迭代 288

12.3.4　基于点的值迭代方法 290

12.3.5　其他近似求解方法 291

12.4　无先验模型的决策 292

12.4.1　无记忆技术 292

12.4.2　学习内部记忆 292

12.5　近期研究趋势 294

参考文献 295

第13章　预测性定义状态表示 300

13.1　简介 300

13.1.1　状态是什么 301

13.1.2　哪一个状态表示 301

13.1.3　为什么使用预测性定义模型 302

......