强化学习

　　强化学习是目前机器学习乃至人工智能领域发展最快的分支之一。强化学习的基本思想是通过与环境的交互、智能体或智能算法获取相关智能，其具体过程就是根据环境反馈得到的奖励不断调整自身的策略进而获得奖励决策的学习历程。本书主要讲述了强化学习的基本原理和基本方法，基于强化学习的控制、决策和优化方法设计与理论分析，深度强化学习原理以及平行强化学习等未来强化学习的发展新方向，展示从先行后知到先知后行，再到知行合一的混合平行智能思路。 \n \n本书可作为高等学校人工智能、机器学习、智能控制、智能决策、智慧管理、系统工程以及应用数学等专业的本科生或研究生教材，亦可供相关专业科研人员和工程技术人员参考。 \n \n \n

暂缺《强化学习》作者简介

第1章强化学习概论

\n

\n

1.1引言

\n

\n

1.2强化学习的发展历程

\n

\n

1.3强化学习的研究现状

\n

\n

1.4本书内容架构

\n

\n

参考文献

\n

\n

第2章马尔可夫决策过程

\n

\n

2.1马尔可夫决策过程

\n

\n

\n

2.2策略与代价函数

\n

\n

2.3最优策略与最优代价函数

\n

\n

参考文献

\n

\n

第3章动态规划

\n

\n

3.1动态规划的兴起

\n

\n

3.2动态规划基本思想： 多级决策过程

\n

\n

3.3最优性原理与递推方程

\n

\n

3.4离散时间动态规划

\n

\n

3.5连续时间动态规划

\n

\n

3.6动态规划的挑战

\n

\n

\n

参考文献

\n

\n

第4章蒙特卡洛学习方法

\n

\n

4.1蒙特卡洛方法背景

\n

\n

4.1.1蒙特卡洛方法的由来

\n

\n

4.1.2基于模型的算法与无模型算法比较

\n

\n

4.1.3蒙特卡洛模拟的思路

\n

\n

\n

4.2蒙特卡洛预测

\n

\n

4.2.1初次访问蒙特卡洛预测

\n

\n

4.2.2历次访问蒙特卡洛预测

\n

\n

4.2.3增量计算技巧

\n

\n

4.3蒙特卡洛控制

\n

\n

4.3.1初始探索问题

\n

\n

4.3.2在策方法： ε贪心算法

\n

\n

4.3.3脱策算法： 重要性采样

\n

\n

4.4蒙特卡洛强化学习算法总结

\n

\n

参考文献

\n

\n

\n

\n

\n

\n

\n

\n

第5章时序差分学习

\n

\n

5.1时序差分学习基本概念

\n

\n

5.2时序差分学习算法

\n

\n

5.3n步回报 

\n

\n

5.4TD(λ)算法

\n

\n

\n

参考文献

\n

\n

第6章神经网络

\n

\n

6.1神经网络的发展历史

\n

\n

6.2MP神经元模型

\n

\n

6.3前馈神经网络

\n

\n

6.3.1感知机

\n

\n

6.3.2误差反向传播算法

\n

\n

6.3.3径向基网络

\n

\n

\n

6.4其他常见的神经网络

\n

\n

6.4.1ART网络

\n

\n

6.4.2Hopfield网络

\n

\n

6.4.3Boltzmann机

\n

\n

参考文献

\n

\n

第7章自适应动态规划

\n

\n

7.1问题描述

\n

\n

7.2自适应动态规划的原理

\n

\n

7.3自适应动态规划的分类

\n

\n

7.3.1启发式动态规划

\n

\n

7.3.2二次启发式规划

\n

\n

7.3.3执行依赖启发式动态规划

\n

\n

7.3.4执行依赖二次启发式规划

\n

\n

\n

7.4基于执行依赖的自适应动态规划方法

\n

\n

7.4.1问题描述

\n

\n

7.4.2基于执行依赖的自适应动态规划方法

\n

\n

参考文献

\n

\n

第8章策略迭代学习方法

\n

\n

8.1启发式学习原理

\n

\n

\n

8.2离散时间策略迭代自适应动态规划

\n

\n

8.2.1策略迭代算法的推导

\n

\n

8.2.2策略迭代算法的性质

\n

\n

8.2.3初始容许控制律的获得

\n

\n

8.2.4仿真实验

\n

\n

8.3连续时间策略迭代自适应动态规划

\n

\n

8.3.1连续时间策略迭代算法

\n

\n

8.3.2连续时间策略迭代自适应动态规划的性能分析

\n

\n

\n

参考文献

\n

\n

第9章值迭代学习方法

\n

\n

9.1值迭代学习原理

\n

\n

\n

9.2离散时间值迭代自适应动态规划

\n

\n

9.2.1离散时间非线性系统的Bellman方程解

\n

\n

\n

9.2.2广义值迭代自适应动态规划

\n

\n

\n

9.3连续时间值迭代自适应动态规划

\n

\n

9.3.1问题描述

\n

\n

9.3.2主要结果

\n

\n

\n

参考文献

\n

\n

第10章Q学习方法

\n

\n

10.1无模型强化学习

\n

\n

10.2Q学习原理

\n

\n

10.3离散时间确定性Q学习

\n

\n

10.3.1问题描述

\n

\n

10.3.2离散时间确定性Q学习算法的性质

\n

\n

10.3.3离散时间确定性Q学习算法的神经网络实现

\n

\n

10.3.4仿真实验

\n

\n

10.4Q学习进展

\n

\n

\n

参考文献

\n

\n

第11章脱策学习

\n

\n

11.1脱策学习的兴盛

\n

\n

11.2脱策学习的基本思想

\n

\n

11.2.1问题描述

\n

\n

11.2.2相关研究工作

\n

\n

11.3脱策学习过程

\n

\n

11.3.1脱策强化学习

\n

\n

11.3.2基于神经网络的实现

\n

\n

11.4脱策学习收敛性分析

\n

\n

11.5基于脱策强化学习的线性H∞控制

\n

\n

11.6仿真实验

\n

\n

\n

参考文献

\n

\n

第12章深度强化学习

\n

\n

12.1深度学习基本概念

\n

\n

12.1.1深度学习的起源

\n

\n

12.1.2深度学习与传统机器学习

\n

\n

12.1.3深度学习的运用环境

\n

\n

12.2深度神经网络

\n

\n

12.2.1深度神经网络溯源

\n

\n

12.2.2梯度下降法

\n

\n

12.2.3反向传播

\n

\n

12.2.4动量模型

\n

\n

12.2.5学习律

\n

\n

12.3卷积神经网络

\n

\n

12.3.1卷积神经网络介绍

\n

\n

12.3.2卷积层

\n

\n

12.3.3采样层

\n

\n

12.3.4分类层

\n

\n

12.3.5经典卷积神经网络结构

\n

\n

\n

12.4循环神经网络

\n

\n

12.4.1循环神经网络介绍

\n

\n

12.4.2长短期记忆模型

\n

\n

12.5生成对抗网络

\n

\n

12.6深度强化学习基本理论

\n

\n

12.6.1Q函数

\n

\n

12.6.2策略

\n

\n

12.6.3效用值

\n

\n

12.6.4模型

\n

\n

12.6.5规划

\n

\n

\n

12.7深度强化学习实际应用

\n

\n

12.7.1游戏

\n

\n

12.7.2机器人与控制

\n

\n

12.7.3自然语言处理

\n

\n

12.7.4计算机视觉

\n

\n

\n

12.8未来待解决的问题

\n

\n

12.8.1采样效率低下

\n

\n

12.8.2难以寻找合适的效用函数

\n

\n

12.8.3局部最优陷阱

\n

\n

12.8.4过拟合问题

\n

\n

12.8.5复现难题

\n

\n

12.8.6适用场景与未来思考

\n

\n

\n

参考文献

\n

\n

第13章强化学习展望： 平行强化学习

\n

\n

13.1自适应动态规划与深度强化学习

\n

\n

13.2平行控制理论的基本思想

\n

\n

13.3平行动态规划方法

\n

\n

参考文献

\n

\n

\n