反应策略深度强化学习的第一个主要成就是着名的DQN算法在各种Atari视频游戏中的人类水平表现 ， 其中神经网络学习使用原始屏幕像素作为输入来玩游戏 。 在强化学习中 ， 我们希望学习一种将状态映射到行动的政策 ， 以便最大化累积的奖励 。 例如 ， 在DQN论文中 ， 神经网络是卷积神经网络 ， 它将屏幕图像作为输入并输出可能动作的分数 。
虽然强化学习算法的设计使得该策略应该学会选择具有长期益处的行为 ， 但我们从策略中获得的信息仅适用于当前状态 。 这称为响应策略 ， 它是一种策略 ， 将当前状态映射到应立即采取的操作 ， 或映射到操作的概率分布 。
拥有完整的计划允许我们使用外部知识对其进行评估并防止采取危险行为 。 例如 ， 如果自动驾驶汽车希望改变车道但是突然汽车接近非常快 ， 比模拟汽车在训练期间更快 ， 则外部程序可以预测当前计划的轨迹朝向碰撞并且中止操纵 。 这对于被动策略来说要困难得多 ， 在这种策略中可能难以预测场景在播出之前如何结束 。
希望制定完整计划的另一个原因是它可能会使我们的政策表现更好 。 也许通过强制它提前计划 ， 我们可能会限制我们的政策更加一致 ， 并能够在看不见的情况下更好地调整 ， 这正是我们想要的 。
马尔可夫决策过程规划问题的一个非常常见的模型是马尔可夫决策过程 ， 即MDP 。 在MDP中 ， 我们将世界定义为一组状态S ， 一组可能采取的行动A ， 一个奖励函数R和一个过渡模型P.它们一起构成了元组：
推荐阅读
-
上市|道达投资手记：创业板“歪风”被叫停 大盘又到“绝望区”？
-
-
怎样让一个大家都觉得他很丑但他自己却一直一直以为他很帅的男生明白他真的很丑
-
洞头区|新人海边拍婚纱照被浪卷进海里，致2人溺亡1人失踪
-
-
-
青年|新赛季仅上线3天，“最强边路”已确定，站撸吕布吊打铠，90％玩家却不会
-
云南新增1例境外输入确诊病例：中国籍，自缅甸仰光乘机入境
-
-
-
-
杨永信治疗网瘾的电击疗法是精神科用于治疗难治性抑郁等疾病的无抽搐电休克么
-
-
老干妈上架大客户专属辣椒酱|老干妈上架大客户专属辣椒酱 具体怎么回事？
-
-
雍尚霖："科技+应用"是资产管理的核心
-
小金方|送给天下女人！，更年期心烦、潮热、失眠、盗汗？3味药的良方
-
文汇报|特朗普称将恢复白宫每日疫情简报会：电视收视率会很高！
-
「勾选」原创 科普文，Win10正式版无故自动重启解决办法，这个有点复杂
-
奥迪|钢铁侠座驾！奥迪e-tron GT疑似充电起火：车头严重受损
