First contact reinforcement learning
- 2020 年 10 月 23 日
- AI
- Python, TensorFlow, 算法
第一篇
- 强化学习（Reinforcement Learning，RL，又译为“增强学习”）这一名词来源于行为心理学，表示生物为了趋利避害而更频繁实施对自己有利的策略。例如，我每天工作中会根据策略决定做出各种动作。如果我的某种决定使我升职加薪，或者使我免遭处罚，那么我在以后的工作中会更多采用这样的策略。据此，心理学家Ivan Pavlov在1927年发表的专著中用“强化”（reinforcement）这一名词来描述特定刺激使生物更趋向于采用某些策略的现象。强化行为的刺激可以称为“强化物”（reinforcer）。
- 因为强化物导致策略的改变被称为“强化学习”。 心理学家Jack Michael与1975年发表文章《Positive and negative reinforcement，a distinction that is no longer necessary》，说明了强化包括正强化（positive reinforcement）和负强化（negative reinforcement），其中正强化使得生物趋向于获得更多利益，负强化使得生物趋向于避免损害。升职加薪就是正强化，避免被解雇就是负强化。正强化和负强化都能够起到强化的效果。
- 人工智能（Artificial Intelligence，AI）领域中有许多类似的趋利避害的问题。例如，著名的围棋AI程序AlphaGo可以根据不同的围棋局势下不同的棋。如果它下的好，它就会赢；如果下的不好，它就会输。它根据下棋的经验不断改进自己的棋艺，这就和行为心理学中的情况如出一辙。所以，人工智能借用了行为心理学的这一概念，把与环境交互中趋利避害的学习过程称为强化学习。 本篇介绍人工智能领域中强化学习的基础知识，了解强化学习的学习方法，并给出强化学习中智能体和环境交互的编程实例。
