強(qiáng)化學(xué)習(xí)設(shè)計(jì)考慮：

1）如何表示狀態(tài)空間和動(dòng)作空間。

2）如何選擇建立信號(hào)以及如何通過學(xué)習(xí)來修正不同狀態(tài)－動(dòng)作對(duì)的值。

3）如何根據(jù)這些值來選擇適合的動(dòng)作。

強(qiáng)化學(xué)習(xí)常見算法：

強(qiáng)化學(xué)習(xí)的常見算法包括：1）時(shí)間差分學(xué)習(xí)（Temporal difference learning）；2）Q學(xué)習(xí)（Q learning）；3）學(xué)習(xí)自動(dòng)（LearningAutomata）；4）狀態(tài)－行動(dòng)－回饋－狀態(tài)－行動(dòng)（State－Action－Reward－State－Action）等。

強(qiáng)化學(xué)習(xí)目標(biāo)：

強(qiáng)化學(xué)習(xí)通過學(xué)習(xí)從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境最大的獎(jiǎng)賞，使得外部環(huán)境對(duì)學(xué)習(xí)系統(tǒng)在某種意義下的評(píng)價(jià)（或整個(gè)系統(tǒng)的運(yùn)行性能）為最佳。簡單的說，強(qiáng)化學(xué)習(xí)的目標(biāo)是動(dòng)態(tài)地調(diào)整參數(shù)，達(dá)到強(qiáng)化信號(hào)最大。

強(qiáng)化學(xué)習(xí)應(yīng)用前景：

前段時(shí)間被刷屏的機(jī)器人，大家一定不陌生吧，來自波士頓動(dòng)力的機(jī)器人憑借出色的平衡性給大家留下了深刻的印象。機(jī)器人控制領(lǐng)域就使用了大量的強(qiáng)化學(xué)習(xí)技術(shù)。除此之外，游戲、3D圖像處理、棋類（2016年備受矚目的AlphaGo圍棋）、等領(lǐng)域都有應(yīng)用。

機(jī)   器  人

游  戲

3D 圖 像 處 理

人 機(jī) 大 戰(zhàn)

結(jié)語：

強(qiáng)化學(xué)習(xí)是通過對(duì)未知環(huán)境一邊探索一邊建立環(huán)境模型以及學(xué)習(xí)得到一個(gè)最優(yōu)策略。強(qiáng)化學(xué)習(xí)與其他機(jī)器學(xué)習(xí)算法不同的地方在于沒有監(jiān)督者，只有一個(gè)Reward信號(hào)，而且反饋是延遲的。強(qiáng)化學(xué)習(xí)是人工智能之機(jī)器學(xué)習(xí)中一種快速、高效且不可替代的學(xué)習(xí)算法，實(shí)際上強(qiáng)化學(xué)習(xí)是一套很通用的解決人工智能問題的框架，值得人們?nèi)パ芯俊Ａ硗猓?strong>深度學(xué)習(xí)［參見人工智能（22）］和強(qiáng)化學(xué)習(xí)相結(jié)合，不僅給強(qiáng)化學(xué)習(xí)帶來端到端優(yōu)化便利，而且使得強(qiáng)化學(xué)習(xí)不再受限于低維空間，極大地拓展了強(qiáng)化學(xué)習(xí)的使用范圍。谷歌DeepMind中深度強(qiáng)化學(xué)習(xí)領(lǐng)頭人David Silver曾經(jīng)說過，深度學(xué)習(xí)（DL）＋ 強(qiáng)化學(xué)習(xí)（RL） ＝ 人工智能（AI）。