不用公式、不用代码，白话讲讲强化学习原理
The best way to learn is to teach others.
战胜围棋高手李世石的 AlphaGo ，称霸星际争霸2的 AIphaStar...这些先进的自动控制技术都离不开“强化学习”这个算法框架。有人说，强化学习是一种“试错”技术，是在状态与动作间建立了一种高级的“哈希映射”。学习强化学习半载，我个人的心得是：强化学习让实时决策不再“鼠目寸光”，本文我们就通过“小赛能否写完假期作业”这个生活实例来谈谈。
在说强化学习之前，我们先来聊聊他的两个兄弟：监督学习和无监督学习。
监督学习
监督学习就是，你喂给机器一堆有标签的数据，比如下表这样。
特征值 | 标签 |
|---|---|
小明, 爱穿裙子, 出门前化妆 | 女孩 |
小张, 不穿裙子, 出门前不妆 | 男孩 |
... | ... |
小何, 爱穿裙子, 出门前不妆 | 男孩 |
经过对有标签数据的训练/学习后，我们就得到了一个分类器/回归器，可以根据无标签的数据推测出其标签。
特征值 | AI推测出的标签 |
|---|---|
小钗, 爱穿裙子, 出门前化妆 | 女孩 |
小黛, 爱穿裙子, 出门前化妆 | 女孩 |
小盘, 不穿裙子, 出门前不妆 | 男孩 |
无监督学习
无监督学习就是，你喂给机器一堆无标签的数据，比如下表这样。
特征值 | 标签 |
|---|---|
(1,1,1,1) | None |
(1,4,-2,3) | None |
(-1,2,0,0) | None |
(1000,-2,4,1) | None |
... | ... |
(0,1,-2,0) | None |
经过对上述数据的训练/学习后，机器自动总结规律，给上述数据打标签，如下表这样。
特征值 | AI给的标签 |
|---|---|
(1,1,1,1) | 不是离群点 |
(1,4,-2,3) | 不是离群点 |
(-1,2,0,0) | 不是离群点 |
(1000,-2,4,1) | 是离群点 |
... | ... |
(0,1,-2,0) | 不是离群点 |
此时，你再向机器中输入新的无标签数据，机器也能根据旧数据训练出的阈值，告诉你新数据的标签，如下。
特征值 | AI推测出的标签 |
|---|---|
(0,0,0,0) | 不是离群点 |
(100,-121,-2,3) | 是离群点 |
强化学习
OK，了解上面这些，我们就要讨论强化学习了。
前面监督学习和无监督学习已经分别为有标签数据和无标签数据提供解决办法了，还有什么新花样吗？何谓强化？
别急，我们先看现实生活中的一个例子。
生活实例：写不完寒假作业的小赛？
小赛是一名初中生，平时喜欢打电脑游戏，也是一位典型的拖延症晚期患者（不喜欢写作业）。
又到了寒假，小赛从学校领了几本厚厚的基本练习册回家，心想，先玩一天电脑游戏再考虑如何安排作业的事吧。
从小赛的兴趣出发，我们得到下表。
做某事 | 小赛大脑获得的奖励值 |
|---|---|
写一整天作业，这天只玩一点游戏 | -5 |
玩一整天游戏，这天只写一点作业 | 10 |
没写完作业，被骂 | -1000 |
上表所说的奖励值是客观存在的，是常数，不可人为改变。
此外，基于这个情景，我们做出三条假设：
•小赛是理性人，他总是期望之后总奖励值最高；•小赛的寒假有20天；•作业需要10天写完。
那么，基于这个奖励值和规则，小赛会如何安排写作业计划呢？
•什么也不管，先玩痛快！被骂就被骂吧！•先忍痛10天，把作业写完！•合理规划。
上述方案，好像只有第三个合理规划是合理的。那么，如何规划才称得上合理呢？我们可以交给今天的C位——强化学习来解决。
强化学习帮助小赛“实时决策”
为了突出强化学习的能力，首先来看看监督学习的表现：
•写作业奖励值是 -5 ，玩游戏奖励值是 10 ，总目标是奖励值最大？•我不管，既然让我输出数值大的决策，我就每次都建议小赛去玩游戏！
监督学习并不适合实时决策问题，因为它是短视的。
换个角度，强化学习能够考虑作出决策后，会如何影响接下来的进展及一系列决策，因此强化学习的实时决策总是远视的。
强化学习是如何做到“远视”的呢？
在算法迭代中，强化学习在自己的逻辑中逐渐建立了下表：
(寒假剩余天数, 剩余作业量) | 写作业还是玩游戏 |
|---|---|
(20, 10) | 建议玩游戏 |
(19, 10) | 建议玩游戏 |
(18, 10) | 建议玩游戏 |
... | ... |
(19, 9) | 建议写作业 |
(18, 9) | 建议写作业 |
... | ... |
(10, 0) | 建议玩游戏 |
强化学习是如何计算出当前“玩游戏好一点”还是“写作业好一点”呢？这就是那些算法工程师 科研人员的事了。
我针对这个问题简单写了个 Sarsa 算法，代码在 https://github.com/PiperLiu/Amazing-Brick-DFS-and-DRL/blob/master/docs/sack_srasa.py。。
最后，通过多次迭代，得到的状态-动作价值表如下：
(剩假期, 剩作业) | 写作业价值 | 玩游戏价值 | AI的建议 |
|---|---|---|---|
(20, 10) | 28.27 | 44.14 | 建议玩游戏 |
(19, 10) | 32.58 | 45.64 | 建议玩游戏 |
(18, 10) | 19.83 | 31.30 | 建议玩游戏 |
... | ... | ... | ... |
(12, 10) | -29.14 | -52.96 | 建议写作业 |
(11, 10) | -65.91 | -99.18 | 建议写作业 |
... | ... | ... | ... |
(9, 10) | -188.48 | -163.67 | 建议玩游戏 |
(1, 1) | 0.00 | -920.23 | 建议写作业 |
... | ... | ... | ... |
可见，我们的 AI 推荐我们在不紧急的情况下先玩个痛快；但是，邻近 DDL 时，我们的 AI 会理性地建议写作业，比如：
•还剩12天有10天量的作业时，写作业的价值大于玩游戏；•还剩11天有10天量的作业时，写作业的价值大于玩游戏；•还剩9天有10天量的作业时，写作业的价值小于玩游戏（反正最后也是挨批，不如不写了）；•还剩1天有1天量的作业时，写作业的价值远大于玩游戏（成败在此一举，不写简直是作死）。
我基于我的代码生成了一张图片。
最右边，深色代表当前状态下建议玩游戏，肉色代表当前状态下建议写作业。横轴是作业剩余量，纵轴是假期剩余天数。
所以你看，一个简单的 Sarsa 算法就能够评估各个情况下，做出什么决策最优，且做出的决策都符合人的思维、是远视的，强化学习是不是很神奇？
强化学习特点
话说回来，强化学习为什么叫“强化”呢？我认为这与强化学习的几个特点有关：
•无论是训练还是应用，都需要与环境进行实时交互；•在训练中，通过历史经验，未来的状态与奖励回溯到现有的状态中，强化现在的动作的价值。
强化学习的迭代过程较为复杂，其计算的并不仅仅是目标值与预测值之间的差（或者说，强化学习在学习的过程中并没有目标值）。
如何将强化学习设计得“远视”，如何在数学理论上能取得“收敛”、“稳定”的效果，是前沿研究人员离不开的问题。
已经有很多数学基础扎实的科学家，为强化学习算法提供了稳定、数学理论上收敛的框架（提出的算法框架可能用起来简单，但提出它的过程可谓伟大），后人因此颇为受益。
我在公众号 Piper蛋窝 以及 CSDN （专栏地址[1]） 上写了一个强化学习的项目小教程，在这个教程中，我详细介绍了如何用 pygame 写一个小游戏（也是我们之后测试强化学习的环境）、传统算法与强化学习效果上、应用上的区别：
•基于 pygame 的 amazing-brick 游戏复现，可以在电脑端手动玩此小游戏；•基于 广度优先搜索算法(BFS, Breadth-First-Search) 的自动游戏机制；•基于 宽度优先搜索算法(DFS, Depth-First-Search) 的自动游戏机制；•基于 清华开源强化学习库 tianshou 的 DQN 算法，以强化学习的方式在游戏中实现自动控制。
CSDN 地址：https://blog.csdn.net/weixin_42815609/category_9973609.html GitHub 地址：https://github.com/PiperLiu/Amazing-Brick-DFS-and-DRL
引用链接
[1] 专栏地址: https://blog.csdn.net/weixin_42815609/category_9973609.html
