最新《强化学习导论》教程，32页pdf

在本文中，我们简要介绍了强化学习(RL)，特别强调随机逼近(SA)作为一个统一的主题。本文的范围包括马尔科夫奖励过程，马尔科夫决策过程，随机逼近算法，以及广泛使用的算法，如时间差分学习和Q-学习。 https://arxiv.org/pdf/2304.00803.pdf

本文对强化学习(RL)进行了简要的综述，特别强调随机逼近(SA)作为一个统一的主题。本文的范围包括马尔可夫奖励过程、马尔可夫决策过程、随机近似方法以及时间差分学习和Q-learning等广泛使用的算法。强化学习是一个庞大的主题，这篇简短的综述几乎无法准确地描述这个主题。有一些关于RL的优秀文本，如[4,27,34,33]。[25, 22, 3, 23, 2, 9, 10]对随机近似(SA)算法的动力学进行了分析。有兴趣的读者可以查阅这些来源以获得更多信息。在本综述中，用"强化学习"一词来指具有不确定模型的决策，当前的行动会改变系统的未来行为。因此，如果在未来的某个时间采取相同的行动，结果可能就不一样了。这个额外的特征将强化学习与不确定性下的“单纯”决策区分开来。图1相当武断地将决策问题分为四个象限。现在对每个象限的例子作简要说明。