動(dòng)手學(xué)強(qiáng)化學(xué)習(xí)

第 一部分 強(qiáng)化學(xué)習(xí)基礎(chǔ)
第 1 章 初探強(qiáng)化學(xué)習(xí) 2
1．1 簡介 2
1．2 什么是強(qiáng)化學(xué)習(xí) 2
1．3 強(qiáng)化學(xué)習(xí)的環(huán)境 4
1．4 強(qiáng)化學(xué)習(xí)的目標(biāo) 4
1．5 強(qiáng)化學(xué)習(xí)中的數(shù)據(jù) 5
1．6 強(qiáng)化學(xué)習(xí)的獨(dú)特性 6
1．7 小結(jié) 6
第 2 章 多臂老虎機(jī)問題 7
2．1 簡介 7
2．2 問題介紹 7
2．2．1 問題定義 7
2．2．2 形式化描述 8
2．2．3 累積懊悔 8
2．2．4 估計(jì)期望獎(jiǎng)勵(lì) 8
2．3 探索與利用的平衡 10
2．4 -貪婪算法 11
2．5 上置信界算法 14
2．6 湯普森采樣算法 16
2．7 小結(jié) 18
2．8 參考文獻(xiàn) 18
第 3 章 馬爾可夫決策過程 19
3．1 簡介 19
3．2 馬爾可夫過程 19
3．2．1 隨機(jī)過程 19
3．2．2 馬爾可夫性質(zhì) 19
3．2．3 馬爾可夫過程 20
3．3 馬爾可夫獎(jiǎng)勵(lì)過程 21
3．3．1 回報(bào) 21
3．3．2 價(jià)值函數(shù) 22
3．4 馬爾可夫決策過程 24
3．4．1 策略 25
3．4．2 狀態(tài)價(jià)值函數(shù) 25
3．4．3 動(dòng)作價(jià)值函數(shù) 25
3．4．4 貝爾曼期望方程 25
3．5 蒙特卡洛方法 28
3．6 占用度量 31
3．7 最優(yōu)策略 32
3．8 小結(jié) 33
3．9 參考文獻(xiàn) 33
第 4 章 動(dòng)態(tài)規(guī)劃算法 34
4．1 簡介 34
4．2 懸崖漫步環(huán)境 34
4．3 策略迭代算法 36
4．3．1 策略評(píng)估 36
4．3．2 策略提升 36
4．3．3 策略迭代 37
4．4 價(jià)值迭代算法 40
4．5 冰湖環(huán)境 42
4．6 小結(jié) 45
4．7 擴(kuò)展閱讀：收斂性證明 45
4．7．1 策略迭代 45
4．7．2 價(jià)值迭代 45
4．8 參考文獻(xiàn) 46
第 5 章 時(shí)序差分算法 47
5．1 簡介 47
5．2 時(shí)序差分 48
5．3 Sarsa 算法 48
5．4 多步 Sarsa 算法 53
5．5 Q-learning 算法 56
5．6 小結(jié) 60
5．7 擴(kuò)展閱讀：Q-learning 收斂性證明 61
5．8 參考文獻(xiàn) 62
第 6 章 Dyna-Q 算法 63
6．1 簡介 63
6．2 Dyna-Q 63
6．3 Dyna-Q 代碼實(shí)踐 64
6．4 小結(jié) 69
6．5 參考文獻(xiàn) 69

第二部分 強(qiáng)化學(xué)習(xí)進(jìn)階
第 7 章 DQN算法 72
7．1 簡介 72
7．2 車桿環(huán)境 72
7．3 DQN 73
7．3．1 經(jīng)驗(yàn)回放 74
7．3．2 目標(biāo)網(wǎng)絡(luò) 74
7．4 DQN代碼實(shí)踐 75
7．5 以圖像作為輸入的DQN算法 79
7．6 小結(jié) 80
7．7 參考文獻(xiàn) 80
第 8 章 DQN改進(jìn)算法 81
8．1 簡介 81
8．2 Double DQN 81
8．3 Double DQN代碼實(shí)踐 82
8．4 Dueling DQN 88
8．5 Dueling DQN代碼實(shí)踐 90
8．6 小結(jié) 93
8．7 擴(kuò)展閱讀：對(duì)Q值過高估計(jì)的定量分析 93
8．8 參考文獻(xiàn) 94
第 9 章 策略梯度算法 95
9．1 簡介 95
9．2 策略梯度 95
9．3 REINFORCE 96
9．4 REINFORCE代碼實(shí)踐 97
9．5 小結(jié) 100
9．6 擴(kuò)展閱讀：策略梯度證明 100
9．7 參考文獻(xiàn) 102
第 10 章 Actor-Critic算法 103
10．1 簡介 103
10．2 Actor-Critic 103
10．3 Actor-Critic代碼實(shí)踐 105
10．4 小結(jié) 108
10．5 參考文獻(xiàn) 108
第 11 章 TRPO算法 109
11．1 簡介 109
11．2 策略目標(biāo) 109
11．3 近似求解 111
11．4 共軛梯度 112
11．5 線性搜索 112
11．6 廣義優(yōu)勢估計(jì) 113
11．7 TRPO代碼實(shí)踐 114
11．8 小結(jié) 122
11．9 參考文獻(xiàn) 123
第 12 章 PPO算法 124
12．1 簡介 124
12．2 PPO-懲罰 124
12．3 PPO-截?cái)?125
12．4 PPO代碼實(shí)踐 125
12．5 小結(jié) 131
12．6 參考文獻(xiàn) 132
第 13 章 DDPG算法 133
13．1 簡介 133
13．2 DDPG 133
13．3 DDPG代碼實(shí)踐 135
13．4 小結(jié) 140
13．5 擴(kuò)展閱讀：確定性策略梯度定理的證明 140
13．6 參考文獻(xiàn) 141
第 14 章 SAC算法 142
14．1 簡介 142
14．2 最大熵強(qiáng)化學(xué)習(xí) 142
14．3 Soft策略迭代 143
14．4 SAC 143
14．5 SAC代碼實(shí)踐 145
14．6 小結(jié) 154
14．7 參考文獻(xiàn) 155

第三部分 強(qiáng)化學(xué)習(xí)前沿
第 15 章 模仿學(xué)習(xí) 158
15．1 簡介 158
15．2 行為克隆 159
15．3 生成對(duì)抗模仿學(xué)習(xí) 159
15．4 代碼實(shí)踐 160
15．4．1 生成專家數(shù)據(jù) 160
15．4．2 行為克隆的代碼實(shí)踐 163
15．4．3 生成對(duì)抗模仿學(xué)習(xí)的代碼實(shí)踐 165
15．5 小結(jié) 167
15．6 參考文獻(xiàn) 168
第 16 章 模型預(yù)測控制 169
16．1 簡介 169
16．2 打靶法 169
16．2．1 隨機(jī)打靶法 170
16．2．2 交叉熵方法 170
16．3 PETS算法 171
16．4 PETS算法實(shí)踐 172
16．5 小結(jié) 179
16．6 參考文獻(xiàn) 179
第 17 章 基于模型的策略優(yōu)化 180
17．1 簡介 180
17．2 MBPO算法 180
17．3 MBPO代碼實(shí)踐 181
17．4 小結(jié) 192
17．5 拓展閱讀：MBPO理論分析 192
17．5．1 性能提升的單調(diào)性保障 192
17．5．2 模型推演長度 192
17．6 參考文獻(xiàn) 193
第 18 章 離線強(qiáng)化學(xué)習(xí) 194
18．1 簡介 194
18．2 批量限制 Q-learning算法 195
18．3 保守 Q-learning算法 197
18．4 CQL代碼實(shí)踐 199
18．5 小結(jié) 208
18．6 擴(kuò)展閱讀 208
18．7 參考文獻(xiàn) 210
第 19 章 目標(biāo)導(dǎo)向的強(qiáng)化學(xué)習(xí) 211
19．1 簡介 211
19．2 問題定義 211
19．3 HER算法 212
19．4 HER代碼實(shí)踐 213
19．5 小結(jié) 221
19．6 參考文獻(xiàn) 221
第 20 章 多智能體強(qiáng)化學(xué)習(xí)入門 222
20．1 簡介 222
20．2 問題建模 223
20．3 多智能體強(qiáng)化學(xué)習(xí)的基本求解范式 223
20．4 IPPO算法 223
20．5 IPPO代碼實(shí)踐 224
20．6 小結(jié) 228
20．7 參考文獻(xiàn) 229
第 21 章 多智能體強(qiáng)化學(xué)習(xí)進(jìn)階 230
21．1 簡介 230
21．2 MADDPG算法 230
21．3 MADDPG代碼實(shí)踐 232
21．4 小結(jié) 240
21．5 參考文獻(xiàn) 240
總結(jié)與展望 241
總結(jié) 241
展望：克服強(qiáng)化學(xué)習(xí)的落地挑戰(zhàn) 241
中英文術(shù)語對(duì)照表與符號(hào)表 244
中英文術(shù)語對(duì)照表 244
符號(hào)表 246