強化學習（第2版）

第1章 導論 1
1.1 強化學習 1
1.2 示例 4
1.3 強化學習要素 5
1.4 局限性與適用范圍 7
1.5 擴展實例：井字棋 8
1.6 本章小結 12
1.7 強化學習的早期歷史 13

第I部分 表格型求解方法 23

第2章 多臂賭博機 25
2.1 一個 k 臂賭博機問題 25
2.2 動作-價值方法 27
2.3 10 臂測試平臺 28
2.4 增量式實現(xiàn) 30
2.5 跟蹤一個非平穩(wěn)問題 32
2.6 樂觀初始值 34
2.7 基于置信度上界的動作選擇 35
2.8 梯度賭博機算法 37
2.9 關聯(lián)搜索 (上下文相關的賭博機) 40
2.10 本章小結 41

第3章 有限馬爾可夫決策過程 45
3.1 “智能體-環(huán)境”交互接口 45
3.2 目標和收益 51
3.3 回報和分幕 52
3.4 分幕式和持續(xù)性任務的統(tǒng)一表示法 54
3.5 策略和價值函數(shù) 55
3.6 最優(yōu)策略和最優(yōu)價值函數(shù) 60
3.7 最優(yōu)性和近似算法 65
3.8 本章小結 66

第4章 動態(tài)規(guī)劃 71
4.1 策略評估 (預測) 72
4.2 策略改進 75
4.3 策略迭代 78
4.4 價值迭代 80
4.5 異步動態(tài)規(guī)劃 83
4.6 廣義策略迭代 84
4.7 動態(tài)規(guī)劃的效率 85
4.8 本章小結 86

第5章 蒙特卡洛方法 89
5.1 蒙特卡洛預測 90
5.2 動作價值的蒙特卡洛估計 94
5.3 蒙特卡洛控制 95
5.4 沒有試探性出發(fā)假設的蒙特卡洛控制 98
5.5 基于重要度采樣的離軌策略 101
5.6 增量式實現(xiàn) 107
5.7 離軌策略蒙特卡洛控制 108
5.8 ? 折扣敏感的重要度采樣 110
5.9 ? 每次決策型重要度采樣 112
5.10 本章小結 113

第 6 章 時序差分學習 117
6.1 時序差分預測 117
6.2 時序差分預測方法的優(yōu)勢 122
6.3 TD(0) 的最優(yōu)性 124
6.4 Sarsa：同軌策略下的時序差分控制 127
6.5 Q 學習：離軌策略下的時序差分控制 129
6.6 期望 Sarsa 131
6.7 最大化偏差與雙學習 133
6.8 游戲、后位狀態(tài)和其他特殊例子 135
6.9 本章小結 136

第7章 n 步自舉法 139
7.1 n 步時序差分預測 140
7.2 n 步 Sarsa 144
7.3 n 步離軌策略學習 146
7.4 ? 帶控制變量的每次決策型方法 148
7.5 不需要使用重要度采樣的離軌策略學習方法：n 步樹回溯算法 150
7.6 ? 一個統(tǒng)一的算法：n 步 Q(σ) 153
7.7 本章小結 155

第8章 基于表格型方法的規(guī)劃和學習 157
8.1 模型和規(guī)劃 157
8.2 Dyna：集成在一起的規(guī)劃、動作和學習 159
8.3 當模型錯誤的時候 164
8.4 優(yōu)先遍歷 166
8.5 期望更新與采樣更新的對比 170
8.6 軌跡采樣 173
8.7 實時動態(tài)規(guī)劃 176
8.8 決策時規(guī)劃 179
8.9 啟發(fā)式搜索 180
8.10 預演算法 182
8.11 蒙特卡洛樹搜索 184
8.12 本章小結 187
8.13 第I部分總結 188

第II部分 表格型近似求解方法 193

第9章 基于函數(shù)逼近的同軌策略預測 195
9.1 價值函數(shù)逼近 195
9.2 預測目標 (VE ) 196
9.3 隨機梯度和半梯度方法 198
9.4 線性方法 202
9.5 線性方法的特征構造 207
9.5.1 多項式基 208
9.5.2 傅立葉基 209
9.5.3 粗編碼 212
9.5.4 瓦片編碼 214
9.5.5 徑向基函數(shù) 218
9.6 手動選擇步長參數(shù) 219
9.7 非線性函數(shù)逼近：人工神經(jīng)網(wǎng)絡 220
9.8 最小二乘時序差分 225
9.9 基于記憶的函數(shù)逼近 227
9.10 基于核函數(shù)的函數(shù)逼近 229
9.11 深入了解同軌策略學習：“興趣”與“強調(diào)” 230
9.12 本章小結 232

第10章 基于函數(shù)逼近的同軌策略控制 239
10.1 分幕式半梯度控制 239
10.2 半梯度 n 步 Sarsa 242
10.3 平均收益：持續(xù)性任務中的新的問題設定 245
10.4 棄用折扣 249
10.5 差分半梯度 n 步 Sarsa 251
10.6 本章小結 252

第11 章 ? 基于函數(shù)逼近的離軌策略方法 253
11.1 半梯度方法 254
11.2 離軌策略發(fā)散的例子 256
11.3 致命三要素 260
11.4 線性價值函數(shù)的幾何性質(zhì) 262
11.5 對貝爾曼誤差做梯度下降 266
11.6 貝爾曼誤差是不可學習的 270
11.7 梯度 TD 方法 274
11.8 強調(diào) TD 方法 278
11.9 減小方差 279
11.10 本章小結 280

第12章 資格跡 283
12.1 λ-回報 284
12.2 TD(λ) 287
12.3 n-步截斷 λ- 回報方法 291
12.4 重做更新：在線 λ-回報算法 292
12.5 真實的在線 TD(λ) 294
12.6 ? 蒙特卡洛學習中的荷蘭跡 296
12.7 Sarsa(λ) 298
12.8 變量 λ 和 γ 303
12.9 帶有控制變量的離軌策略資格跡 304
12.10 從 Watkins 的 Q(λ) 到樹回溯 TB(λ) 308
12.11 采用資格跡保障離軌策略方法的穩(wěn)定性 310
12.12 實現(xiàn)中的問題 312
12.13 本章小結 312

第13章 策略梯度方法 317
13.1 策略近似及其優(yōu)勢 318
13.2 策略梯度定理 320
13.3 REINFORCE：蒙特卡洛策略梯度 322
13.4 帶有基線的 REINFORCE 325
13.5 “行動器-評判器”方法 327
13.6 持續(xù)性問題的策略梯度 329
13.7 針對連續(xù)動作的策略參數(shù)化方法 332
13.8 本章小結 333

第III部分 表格型深入研究 337

第14章 心理學 339
14.1 預測與控制 340
14.2 經(jīng)典條件反射 341
14.2.1 阻塞與高級條件反射 342
14.2.2 Rescorla-Wagner 模型 344
14.2.3 TD 模型 347
14.2.4 TD 模型模擬 348
14.3 工具性條件反射 355
14.4 延遲強化 359
14.5 認知圖 361
14.6 習慣行為與目標導向行為 362
14.7 本章小結 366

第15章 神經(jīng)科學 373
15.1 神經(jīng)科學基礎 374
15.2 收益信號、強化信號、價值和預測誤差 375
15.3 收益預測誤差假說 377
15.4 多巴胺 379
15.5 收益預測誤差假說的實驗支持 382
15.6 TD 誤差/多巴胺對應 385
15.7 神經(jīng)“行動器-評判器” 390
15.8 行動器與評判器學習規(guī)則 393
15.9 享樂主義神經(jīng)元 397
15.10 集體強化學習 399
15.11 大腦中的基于模型的算法 402
15.12 成癮 403
15.13 本章小結 404

第 16 章 應用及案例分析 413
16.1 TD-Gammon 413
16.2 Samuel 的跳棋程序 418
16.3 Watson 的每日雙倍投注 421
16.4 優(yōu)化內(nèi)存控制 424
16.5 人類級別的視頻游戲 428
16.6 主宰圍棋游戲 433
16.6.1 AlphaGo 436
16.6.2 AlphaGo Zero 439
16.7 個性化網(wǎng)絡服務 442
16.8 熱氣流滑翔 446

第17章 前沿技術 451
17.1 廣義價值函數(shù)和輔助任務 451
17.2 基于選項理論的時序摘要 453
17.3 觀測量和狀態(tài) 456
17.4 設計收益信號 460
17.5 遺留問題 464
17.6 人工智能的未來 467

參考文獻 473