强化学习入门:从原理到实践电子书

前言

致谢

常用数学符号

主要算法列表

第1章 概述

1.1 强化学习的历史

1.2 强化学习的基本概念

1.3 章节组织

1.4 编程环境与代码资源

第2章 从一个示例到马尔可夫决策过程

2.1 马尔可夫过程

2.2 马尔可夫奖励过程

2.3 马尔可夫决策过程

2.4 编程实践：学生马尔可夫决策示例

2.4.1 收获和价值的计算

2.4.2 验证贝尔曼方程

第3章 动态规划寻找最优策略

3.1 策略评估

3.2 策略迭代

3.3 价值迭代

3.4 异步动态规划算法

3.5 编程实践：动态规划求解小型格子世界最优策略

3.5.1 小型格子世界MDP建模

3.5.2 策略评估

3.5.3 策略迭代

3.5.4 价值迭代

第4章 不基于模型的预测

4.1 蒙特卡罗强化学习

4.2 时序差分强化学习

4.3 n步时序差分学习

4.4 编程实践：蒙特卡罗学习评估21点游戏的玩家策略

4.4.1 21点游戏规则

4.4.2 将21点游戏建模为强化学习问题

4.4.3 游戏场景的搭建

4.4.4 生成对局数据

4.4.5 策略评估

第5章 无模型的控制

5.1 行为价值函数的重要性

5.2 贪婪策略

5.3 同策略蒙特卡罗控制

5.4 同策略时序差分控制

5.4.1 Sarsa算法

5.4.2 Sarsa(λ)算法

5.4.3 比较Sarsa和Sarsa(λ)

5.5 异策略Q学习算法

5.6 编程实践：蒙特卡罗学习求解21点游戏的最优策略

5.7 编程实践：构建基于gym的有风的格子世界及个体

5.7.1 gym库简介

5.7.2 状态序列的管理

5.7.3 个体基类的编写

5.8 编程实践：各类学习算法的实现及与有风的格子世界的交互

5.8.1 Sarsa算法

5.8.2 Sarsa(λ)算法

5.8.3 Q学习算法

第6章 价值函数的近似表示

6.1 价值近似的意义

6.2 目标函数与梯度下降

6.2.1 目标函数

6.2.2 梯度和梯度下降

6.3 常用的近似价值函数

6.3.1 线性近似

6.3.2 神经网络

6.3.3 卷积神经网络近似

6.4 DQN算法

6.5 编程实践：基于PyTorch实现DQN求解PuckWorld问题

6.5.1 基于神经网络的近似价值函数

6.5.2 实现DQN求解PuckWorld问题

第7章 基于策略梯度的深度强化学习

7.1 基于策略学习的意义

7.2 策略目标函数

7.3 Actor-Critic算法

7.4 深度确定性策略梯度算法

7.5 编程实践：DDPG算法实现

7.5.1 连续行为空间的PuckWorld环境

7.5.2 Actor-Critic网络的实现

7.5.3 确定性策略下探索的实现

7.5.4 DDPG算法的实现

7.5.5 DDPG算法在PuckWorld环境中的表现

第8章 基于模型的学习和规划

8.1 环境的模型

8.2 整合学习与规划——Dyna算法

8.3 基于模拟的搜索

8.3.1 简单蒙特卡罗搜索

8.3.2 蒙特卡罗树搜索

第9章 探索与利用

9.1 多臂游戏机

9.2 常用的探索方法

9.2.1 衰减的ϵ贪婪探索

9.2.2 不确定行为优先探索

9.2.3 基于信息价值的探索

第10章 Alpha Zero算法实战

10.1 自博弈中的蒙特卡罗树搜索

10.2 模型评估中的蒙特卡罗搜索

10.3 策略价值网络结构及策略提升

10.4 编程实践：Alpha Zero算法在五子棋上的实现

10.4.1 从零开始搭建棋盘环境

10.4.2 搭建两种MCTS以实现Alpha Zero自博弈与模型评估

10.4.3 搭建策略价值网络并进行策略提升

10.4.4 训练自己的Alpha Zero模型

参考文献