深度强化学习原理与实践

本书构建了一个完整的深度强化学习理论和实践体系：从马尔可夫决策过程开始，根据价值函数、策略函数求解贝尔曼方程，到利用深度学习模拟价值网络和策略网络。书中详细介绍了深度强化学习相关算法，如Rainbow、Ape-X算法等，并阐述了相关算法的具体实现方式和代表性应用（如AlphaGo）。此外，本书还深度剖析了强化学习各算法之间的联系，有助于读者举一反三。
本书分为四篇：初探强化学习、求解强化学习、求解强化学习进阶和深度强化学习。涉及基础理论到深度强化学习算法框架的各方面内容，反映了深度强化学习领域过去的发展历程和研究进展，有助于读者发现该领域中新的研究问题和方向。

陈仲铭，西安电子科技大学硕士，OPPO研究院人工智能算法研究员。主要研究方向为强化学习与深度学习、数据挖掘、图像算法及其应用。曾参与激光点云三维扫描、个性化推荐系统、多传感器融合系统等大型项目，多次获创新项目奖，并在国内外发表多篇相关论文。此外，作为技术顾问为多家科研机构和企业提供关于数学建模、深度学习等方面的咨询和培训。著有《深度学习原理与实践》一书。

何明，重庆大学学士，中国科学技术大学博士，曾于美国北卡罗来纳大学夏洛特分校访问交流，目前为上海交通大学电子科学与技术方向博士后研究人员、OPPO研究院人工智能算法研究员。主要研究方向为深度强化学习、数据挖掘与知识发现、机器学习方法及其应用，侧重于移动端用户行为分析与建模。在TIP、TWEB、DASFAA、IEEE Access等国际学术会议和期刊共发表论文10余篇，曾获数据挖掘领域国际会议KSEM2018论文奖。

1.中国科学院院士张景中，中国科学技术大学大数据学院常务副院长陈恩红，OPPO研究院院长刘畅，倾情作序推荐！
2.内容系统详实：本书构建了一个完整的强化学习知识体系，不仅涵盖经典强化学习的内容，还包括深度强化学习的重要成果——DQN算法、A3C算法、Rainbow算法等。使读者了解强化学习的发展历史和重要成果，助力其在强化学习领域进行创新研究和应用实践，进而找到更有价值的研究课题和应用方向。
3.兼顾理论与实践：深入全面讲解掌握深度强化学习的理论知识，并结合Python 3代码案例，将算法快速落地，降低读者的学习门槛和入门难度。
4.读者受众广泛：在结构布局和逻辑梳理上，兼顾了学术界和工业界读者的不同需求，既适用于技术工程师，也适用于研究人员和学生群体。
5.贴近技术前沿：详细介绍近年来在强化学习领域的研究进展和成果，尽可能保证本书的时效性，对学术研究和实际工作都具有很高的参考和应用价值。
6.配套源码资源：本书提供分章的配套源码，读者可到异步社区中下载并使用。

第 一篇　初探强化学习

第　1章 强化学习绪论　3
1．1　初探强化学习　4
1．1．1　强化学习与机器学习　5
1．1．2　强化学习与监督学习的区别　6
1．1．3　历史发展　8
1．2　基础理论　10
1．2．1　组成元素　11
1．2．2　环境模型　12
1．2．3　探索与利用　12
1．2．4　预测与控制　13
1．2．5　强化学习的特点　14
1．3　应用案例　14
1．4　强化学习的思考　18
1．4．1　强化学习待解决问题　18
1．4．2　强化学习的突破点　23
1．5　小结　25
第　2章 数学基础及环境　26
2．1　简介　27
2．2　马尔可夫决策过程　27
2．2．1　马尔可夫性质　27
2．2．2　马尔可夫决策过程　27
2．3　强化学习的数学基础理论　29
2．3．1　策略　30
2．3．2　奖励　30
2．3．3　价值函数　31
2．4　求解强化学习　31
2．4．1　贝尔曼方程　31
2．4．2　最优值函数　32
2．4．3　最优策略　32
2．4．4　求解最优策略　33
2．5　示例：HelloGrid迷宫环境　36
2．5．1　初识OpenAI Gym库　37
2．5．2　建立HelloGrid环境　38
2．6　小结　43

第二篇　求解强化学习

第3章　动态规划法　47
3．1　动态规划　48
3．1．1　动态规划概述　48
3．1．2　动态规划与贝尔曼方程　48
3．2　策略评估　49
3．2．1　策略评估算法　49
3．2．2　策略评估算法实现　50
3．3　策略改进　54
3．4　策略迭代　56
3．4．1　策略迭代算法　57
3．4．2　策略迭代算法实现　58
3．5　值迭代　60
3．5．1　值迭代算法　61
3．5．2　值迭代算法实现　62
3．6　异步动态规划　64
3．6．1　In-Place动态规划　65
3．6．2　加权扫描动态规划　65
3．6．3　实时动态规划　66
3．7　讨论　66
3．8　小结　67
第4章　蒙特卡洛法　68
4．1　认识蒙特卡洛法　69
4．1．1　经验轨迹　69
4．1．2　蒙特卡洛法数学原理　74
4．1．3　蒙特卡洛法的特点　74
4．2　蒙特卡洛预测　74
4．2．1　蒙特卡洛预测算法　75
4．2．2　蒙特卡洛预测算法的实现　76
4．3　蒙特卡洛评估　80
4．4　蒙特卡洛控制　81
4．4．1　蒙特卡洛控制概述　82
4．4．2　起始点探索　84
4．4．3　非起始点探索　85
4．4．4　非固定策略　90
4．5　小结　96
第5章　时间差分法　98
5．1　时间差分概述　99
5．2　时间差分预测　99
5．2．1　时间差分预测原理　99
5．2．2　TD(λ)算法　101
5．2．3　时间差分预测特点　104
5．2．4　CartPole游戏　104
5．3　时间差分控制Sarsa算法　106
5．3．1　Sarsa算法原理　106
5．3．2　Sarsa算法实现　108
5．4　时间差分控制Q-learning算法　114
5．4．1　Q-learning算法原理　114
5．4．2　Q-learning算法实现　115
5．5　扩展时间差分控制法　121
5．5．1　期望Sarsa算法　121
5．5．2　Double Q-learning算法　121
5．6　比较强化学习求解法　123
5．7　小结　126

第三篇　求解强化学习进阶

第6章　值函数近似法　129
6．1　大规模强化学习　130
6．2　值函数近似法概述　131
6．2．1　函数近似　131
6．2．2　值函数近似的概念　133
6．2．3　值函数近似的类型　133
6．2．4　值函数近似的求解思路　134
6．3　值函数近似法原理　135
6．3．1　梯度下降算法　135
6．3．2　梯度下降与值函数近似　137
6．3．3　线性值函数近似法　138
6．4　值函数近似预测法　139
6．4．1　蒙特卡洛值函数近似预测法　139
6．4．2　时间差分TD(0)值函数近似预测法　140
6．4．3　TD(λ)值函数近似预测法　141
6．5　值函数近似控制法　142
6．5．1　值函数近似控制原理　143
6．5．2　爬山车游戏　143
6．5．3　Q-learning值函数近似　145
6．6　小结　156
第7章　策略梯度法　157
7．1　认识策略梯度法　158
7．1．1　策略梯度概述　158
7．1．2　策略梯度法与值函数近似法的区别　159
7．1．3　策略梯度法的优缺点　160
7．2　策略目标函数　161
7．2．1　起始价值　162
7．2．2　平均价值　162
7．2．3　时间步平均奖励　162
7．3　优化策略目标函数　163
7．3．1　策略梯度　163
7．3．2　评价函数　163
7．3．3　策略梯度定理　165
7．4　有限差分策略梯度法　165
7．5　蒙特卡洛策略梯度法　165
7．5．1　算法原理　166
7．5．2　算法实现　166
7．6　演员-评论家策略梯度法　177
7．6．1　算法原理　177
7．6．2　算法实现　179
7．7　小结　185
第8章　整合学习与规划　187
8．1　基于模型的强化学习概述　188
8．1．1　基于模型的强化学习　188
8．1．2　基于模型的优点　188
8．1．3　基于模型的缺点　189
8．2　学习与规划　189
8．2．1　学习过程　189
8．2．2　规划过程　191
8．3　架构整合　192
8．3．1　Dyna算法　193
8．3．2　优先遍历算法　194
8．3．3　期望更新和样本更新　196
8．4　基于模拟的搜索　196
8．4．1　蒙特卡洛搜索　197
8．4．2　蒙特卡洛树搜索　197
8．4．3　时间差分搜索　199
8．5　示例：国际象棋　199
8．5．1　国际象棋与强化学习　200
8．5．2　蒙特卡洛树搜索示例　201
8．6　小结　203

第四篇　深度强化学习

第9章　深度强化学习　207
9．1　深度学习概述　208
9．1．1　深度表征　208
9．1．2　深度神经网络　208
9．1．3　网络可训练　208
9．1．4　权值共享　210
9．2　深度神经网络（DNN）　210
9．2．1　基本单元——神经元　210
9．2．2　线性模型与激活函数　211
9．2．3　多层神经网络　212
9．2．4　训练与预测　213
9．3　卷积神经网络（CNN）　214
9．3．1　概述　214
9．3．2　卷积神经网络的核心操作　215
9．3．3　卷积神经网络的核心思想　218
9．4　循环神经网络（RNN）　220
9．4．1　序列数据建模　220
9．4．2　循环神经网络基本结构　221
9．4．3　循环神经网络模型详解　222
9．5　回顾强化学习　223
9．5．1　智能体和环境　224
9．5．2　基于价值的强化学习　225
9．5．3　基于策略的强化学习　225
9．5．4　基于模型的强化学习　225
9．6　深度强化学习　225
9．6．1　深度强化学习框架　226
9．6．2　深度强化学习应用　227
9．7　小结　230
第　10章 深度Q网络　231
10．1　DQN概述　232
10．1．1　深度学习与强化学习的差异对比　232
10．1．2　DQN算法简述　232
10．2　DQN算法核心思想　235
10．2．1　目标函数　235
10．2．2　目标网络　236
10．2．3　经验回放　236
10．3　DQN核心算法　237
10．3．1　DQN网络模型　237
10．3．2　DQN算法流程　239
10．3．3　DQN算法实现　243
10．4　DQN扩展　256
10．4．1　Double DQN　257
10．4．2　Prioritized DQN　257
10．4．3　Dueling DQN　258
10．5　小结　259
第　11章 深度强化学习算法框架　260
11．1　DDPG算法　261
11．1．1　背景介绍　261
11．1．2　基本概念及算法原理　262
11．1．3　DDPG实现框架及流程　264
11．2　A3C算法　268
11．2．1　背景介绍　269
11．2．2　A3C算法原理　269
11．2．3　异步实现框架及流程　272
11．2．4　实验效果　274
11．3　Rainbow算法　275
11．3．1　背景介绍　275
11．3．2　Rainbow算法流程　279
11．3．3　实验效果　280
11．4　Ape-X 算法　280
11．4．1　背景介绍　281
11．4．2　Ape-X算法架构　281
11．4．3　Ape-X算法流程　282
11．4．4　实验效果　284
11．5　小结　285
第　12章 从围棋AlphaGo到AlphaGo Zero　287
12．1　人工智能与围棋　288
12．1．1　强化学习与围棋　288
12．1．2　AlphaGo进化阶段　289
12．1．3　AlphaGo版本对比　290
12．2　AlphaGo算法详解　292
12．2．1　策略网络　293
12．2．2　价值网络　295
12．2．3　蒙特卡洛树搜索　296
12．2．4　实验结果　298
12．3　AlphaGo Zero算法详解　299
12．3．1　问题定义　299
12．3．2　联合网络　299
12．3．3　强化学习过程　300
12．3．4　蒙特卡洛树搜索　301
12．3．5　实验结果　303
12．4　思考　305
12．5　小结　305

附录部分

附录A　激活函数　309
附录B　损失函数　314
附录C　深度学习的超参数　319
附录D　深度学习的技巧　322
附录E　反向传播算法　329
参考文献　336