猜你喜欢
强化学习/智能科学与技术丛书

强化学习/智能科学与技术丛书

书籍作者:马可·威宁(Marco Wiering)马丁·范·奥特罗(Martijn van Otter ISBN:9787111600220
书籍语言:简体中文 连载状态:全集
电子书格式:pdf,txt,epub,mobi,azw3 下载次数:6459
创建日期:2021-02-14 发布日期:2021-02-14
运行环境:PC/Windows/Linux/Mac/IOS/iPhone/iPad/Kindle/Android/安卓/平板
内容简介

本书共有19章,分为六大部分,详细介绍了强化学习中各领域的基本理论和新进展,内容包括:MDP、动态规划、蒙特卡罗方法、批处理强化学习、TD学习、Q学习、策略迭代的小二乘法、迁移学习、贝叶斯强化学习、一阶逻辑MDP、层次式强化学习、演化计算、预测性定义状态表示、去中心化的部分可观察MDP、博弈论和多学习器强化学习等内容,并阐述强化学习与心理和神经科学、游戏领域、机器人领域的关系和应用,后提出未来发展趋势及研究热点问题,有助于年轻的研究者了解整个强化学习领域,发现新的研究方向。本书适合作为高等院校机器学习相关课程的参考书,也可作为人工智能领域从业技术人员的参考用书。

强化学习领域经典的方法及高效的解决方案框架,包括TD学习、Q学习、批处理强化学习、策略迭代的zui小二乘法、模型的运用以及知识迁移,还分析了更优探索方法的理论优势以获取更好的经验。
强化学习中各种表示方式的不同用途,包括基于向量的表示、使用一阶逻辑的表示、有效地运用分层表示以及使用进化算法时用到的无偏表示。
强化学习相关的概率框架和算法,包括贝叶斯强化学习框架、部分可观察的马尔可夫决策过程、可预测的状态表示、多学习器的扩展与博弈论的概念、去中心化的部分可观察的马尔可夫决策过程框架及规划算法。
强化学习相关领域知识,包括强化学习与人类学习的关系,强化学习在游戏领域的应用以及强化学习在机器人控制中的应用等。

作者简介

马可 威宁(Marco Wiering)在荷兰格罗宁根大学人工智能系工作,他发表过各种强化学习主题的文章,研究领域包括强化学习、机器学习、深度学习、目标识别、文本学习,进化计算、机器人等。

马丁 范 奥特罗(Martijn van Otterlo)是荷兰奈梅亨大学认知人工智能小组的一员。主要研究领域是强化学习在环境中的知识表示。


编辑推荐
适读人群 :人工智能领域的研究者、高端技术人员、研究生、学者

1.本书由17位不同领域的专家对强化学习进行了深入而完整的描述,涉及基础理论到高效解决方案框架的各个方面,反映了强化学习主要子领域的研究进展。

2.本书涵盖经典强化学习的完整内容,甚至包括作为深度强化学习萌芽的重要成果DFQ。对于想在强化学习领域进行创新研究的学者而言,本书有助于了解强化学习的发展历史和重要成果,进而找到更有价值的研究课题。

3.本书组织精巧,内容安排呈递增性,同时又保持各部分的相对独立,方便读者根据自己的兴趣研读相关章节。

4.本书坚持围绕前沿性和开放性问题,作者在大胆发表自己的真知灼见的同时,不忘客观地反思当前的不足,便于读者辩证地了解领域的发展,跟上领域发展的脚步。


前言

前  言Reinforcement Learning: State-of-the-Art强化学习研究者们经常会被学生或同事问:“最近有没有一些强化学习方面的好书可以推荐给我?”


我们编写这本书的目的就是给这个问题提供一个答案。


一本关于强化学习的书10年前上面的问题是很容易回答的,在那个时候,有两本时兴的权威书籍。一本是由Rich Sutton和Andy Barto在1998年编写的优秀的强化学习导论书籍。这本书从人工智能的角度出发,采用教科书式的写作风格,一直被广泛使用(截至目前引用了一万次)。另一本是1996年由Dimitri Bertsekas和John Tsitsiklis撰写的《神经动力学编程》(neuro-dynamic programming)。这本书从运筹学的角度出发,以精确的数学方法讲述了动态规划和强化学习,特别强调了求近似解的体系结构。其中Sutton和Barto总是最大化回报,谈及价值函数、回报,并偏向于使用π增加的字母表中的{V, Q, S, A, T, R}部分;而Bertsekas和 Tsitsiklis谈及代价函数(cost-to-go-functions),总是最小化成本,并且使用希腊符号μ增加的字母表中的{J, G, I, U}部分。尽管它们有着表面(符号)差异、不同的写作风格和背景,可能这些书的读者也不同,但这两本书都试图对这个令人兴奋的新研究领域进行全面介绍,并成功地做到了这一点。当时运筹学和人工智能方法在行为优化方面的深入合并仍然在进行,这种交叉产生了丰硕的成果。最近,虽然已引入了Q学习和TD学习等强大的思想和算法,但仍有很多未知有待探索。


例如,算法和函数逼近器的组合的收敛问题出现了。包括算法收敛性、保证性能所需的样本数量以及强化学习技术在更大的智能体系结构中的适用性等许多理论和实验问题都没有得到解答。事实上,出现了许多新的问题并导致了越来越多的研究问题,这些都有待聪明的、年轻的博士生们来回答。尽管Sutton和Barto、Bertsekas和Tsitsiklis都很擅长介绍这个领域,并充分地描述了它的基本方法论和问题,但是,这个领域变得如此之大,需要新的教科书来记录所有新的研究进展。所以,这本书就是尝试填补这个空白的。


这是第一本介绍强化学习各主要子领域研究进展的书。但是,我们也提到其他一些有趣的介绍或描述各种强化学习主题的书籍。这些书包括Leslie Kaelbling于1996年编辑的合集和Puterman编著的马尔可夫决策过程手册的新版本。其他几本书涉及近似动态规划的相关概念。最近,又出现了一些关于马尔可夫决策过程、强化学习、函数逼近和强化学习的关系型知识表示的书籍。针对那些对强化学习课程感兴趣的人员,上述书只是强化学习相关著作的一部分。


强化学习:一个逐渐成熟的领域在过去的15年中,强化学习领域发展迅猛。然而最近的书中并没有反映出这段时间的最新研究,而是更多地关注丰富的、坚实的理论研究,提升算法的适用性、向上扩展性、与(概率)人工智能的结合,以及大脑理论和一般的适应性系统的联系。现代强化学习的创始人之一Richard Sutton,在1999年提出了强化学习发展的三个不同部分:过去、现在和未来。


过去的强化学习指的是1985年以前,在这个阶段,试错学习(trial-and-error learning)的思想得到了发展。这个时期强调使用积极探索的学习器(agent,也称智能体),并开发了利用标量回报信号来指定学习器目标的关键思想,称为回报假说。这些方法通常只学习策略,一般不能有效地处理延迟回报。


现在的强化学习指的是价值函数形成的时期。价值函数是强化学习的核心,几乎所有的方法都集中在价值函数的逼近上,以便计算(最优)策略。价值函数假说认为价值函数的逼近是智能化的主要目的。


目前,我们正处于强化学习的未来阶段。Sutton对这个时期的方向做出了预测,并写道:“正如现在强化学习离开回报的最终目标向价值函数迈了一步,未来的强化学习可能会进一步把重点放在研究能够对价值函数进行估计的结构上……在心理学中,积极创造世界的表征的开发思维的方法称为建构主义。我预计在未来几十年中,强化学习将集中在建构主义上。”事实上,正如我们在本书中所看到的那样,这一领域的许多新进展都与能够实现价值函数逼近的新结构有关。此外,许多进展都是关于这些新结构的性能及收敛的性质、能力和保证的。贝叶斯框架、高效线性逼近、关系型知识表示以及分层和多学习器性质的分解都构成了当今强化学习方法中所采用的新结构。


目前强化学习是一个已经确立的研究领域,通常归于机器学习。然而,由于其专注于行为学习,它与心理学、运筹学、数学优化等其他领域有着许多联系。在人工智能领域,它与概率论和决策论规划有很大的重叠,因为它与规划社区(例如国际自动规划系统会议(ICAPS))有许多共同的目标。在最新的国际规划竞赛(IPC)中,源于强化学习文献的方法已经参赛,并且在概率规划问题和最近的“学习规划”(learning for planning)方面都有着非常好的表现。


强化学习的研究在人工智能的广泛领域中几乎随处可见,因为它既是行为优化的一般方法,也是一套计算工具。现在所有主要的人工智能期刊都发表关于强化学习的文章,并且已经持续很长时间了。强化学习的应用领域从机器人、电脑游戏到网络路由和自然语言对话系统,强化学习论文也出现在跟这些主题相关的论坛上。大量的论文每年(或每两年)出现在人工智能领域的顶级会议上(如IJCAI、ECAI和AAAI),还有许多统计机器学习领域的顶级会议上(如UAI、ICML、ECML和NIPS)。此外,关于人工生命(Alife)、自适应行为(SAB)、机器人(ICRA、IROS、RSS)、神经网络和进化计算(如IJCNN和ICANN)的会议也有强化学习的研究工作。最后但同样重要的一点是,在过去的10年中,所有主要的人工智能会议都出现了许多专业化的强化学习研讨会和教程。


尽管强化学习已经为其他许多领域做出了巨大贡献,并且强化学习的论文无处不在,但强化学习领域的现状使得它很自然地在强化学习方法的某个特定焦点上形成论坛。欧洲强化学习研讨会(EWRL)已经逐渐成为这样一个论坛,每隔一年就会有一次相当大的发展,2008年在南锡举办并在2011年与ECML一起举办。此外,IEEE自适应动态规划与强化学习(ADPRL)研讨会也成为研究人员展示和讨论其最新研究成果的一个会议。EWRL和ADPRL一起表明,这一领域已经有了很大的进展,需要有自己的社区和事件。


在强化学习的实践方面以及更重要的是在基准、评估和比较方面也有了很多进展。除了规划比赛(例如IPC)之外,一些强化学习比赛也已成功举办。参赛者不仅在几个经典领域进行竞赛(例如平衡杆),而且在电脑游戏“俄罗斯方块”和“超级马里奥”等新兴领域进行竞赛。这些比赛可以促进代码共享和重用,建立该领域的基准,并用于评估和比较具有挑战性的领域中的算法。另一个代码和解决方案重用的倡导者是RL-Glue框架,它提供了一个抽象的强化学习框架,用于在研究人员之间共享方法。RL-Glue适用于大多数常用的编程语言,从而为实验提供了系统和语言独立的软件框架。比赛和RL-Glue促进了强化学习领域的成熟,使得可以应用更好的科学方法来测试、比较和重用强化学习方法。


本书的目的和目标读者如前所述,我们试图让本书回答这个问题:“你会推荐什么样的书来学习目前的强化学习?”每个可能提出这个问题的人都是本书的潜在读者,这包括博士和硕士生、强化学习的研究人员,以及其他任何想了解强化学习领域的研究人员。书中关于当前强化学习主要研究领域的文献为研究人员提供了一个很好的起点去继续拓展该领域,把强化学习应用到新问题,并将主要的行为学习技术引入到他们自己的智能系统和机器人中。


当我们开始编著本书时,我们首先创建了一个长长的主题列表,并对它们进行了分组,最后选出了近20个比较大的强化学习子领域,这些子领域在过去10年里发布了许多新成果。这些子领域不仅包括比较成熟的子领域(如演进强化学习),还包括更新的主题(如关系型知识表示方法、贝叶斯学习和规划框架)。此外,我们还专门用了一章来介绍分层方法,形成了第一个子领域——它是在前面提到的两本书之后出现的,因此当时没有讨论。


本书的理念是让所有的作者反映这个领域青春和活跃的本质。为此,我们主要选择并邀请了刚开始工作的年轻研究人员。他们中的许多人最近刚获得博士学位,这就确保了他们在自己的强化学习子领域是活跃的专家,并对这个子领域充满了想法和热情。而且,这也给了他们一个在更大的研究领域内推广其子领域研究成果的好机会。此外,我们还邀请了几位经验丰富的研究人员,他们在强化学习的几个子领域取得了先进的研究成果。这一切使得关于这个主题的不同观点得到了很好的结合。正如我们所希望的那样,提交的内容初稿质量非常高。为了有一套确保高质量内容的完整程序,编辑组成员连同一批专家作为审稿人,对每章进行了至少三次审核。成书内容得到了进一步的改进,而且使书中包含了每个子领域的大量的参考文献。


本书的最终版本包含19章,其中第1章包含强化学习的基础知识、动态规划、马尔可夫决策过程和基础的算法(如Q学习和值迭代)。最后一章回顾了书中的内容,讨论了遗漏的东西,并指出了进一步研究的方向。另外,这一章还包含个人对这个领域的思考和预测。构成本书核心的17章中,每一章都是自成一体的,包含对强化学习子领域的介绍和概述。下面我们将会给出本书结构及各章的概要。本书共有30位作者,他们分别来自于不同的机构和不同的国家。


本书结构这本书包含了19篇关于强化学习基础概念和各个子领域的综述,并分为四个主要的类别,我们接下来会对这些类别进行简要的说明。第1章由Martijn van Otterlo和Marco Wiering执笔,涵盖对基础概念与算法的介绍性材料。这一章讨论马尔可夫决策过程,及其对应的基于模型的和无模型的求解算法。这一章的目的是给读者提供一个快速了解强化学习方法主要构成的概述,同时该章也为其余各章提供了必要的背景知识。本书中的所有综述都建立在第1章的背景介绍的基础之上。本书的最后一章也是由Marco Wiering和Martijn van Otterlo执笔的,它回顾本书各章的内容,并列举了本书尚未讨论到的主题以及未来的研究发展方向。另外,通过汇总其他章部分作者的简要表述,列举了个人对强化学习领域的一些思考与预测。本书共有六个部分,其主体


目录

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

......