- 强化学习（RL）是一个动态的人工智能分支，使机器能够通过与环境交互来学习最优行为，并根据所采取行动的反馈不断适应。
- RL 有 8 个核心要素，即智能体、环境、状态、动作、策略、奖励、价值函数和环境模型，它们协同工作，帮助智能体学习并做出最优决策。
强化学习（RL）是人工智能中一个引人入胜且强大的分支，它使机器能够通过与环境交互来学习最优行为。与其他依赖静态数据集的机器学习方法不同，RL 是动态的，根据行动所获反馈不断适应和改进。
强化学习的 9 个核心要素
强化学习以其经验驱动模型而闻名。以下核心要素构成了 RL算法的基础，并定义了它们的运作和学习方式。
1. 智能体：任何 RL 系统的核心是智能体，它是决策者，是与环境交互并学习以实现目标的实体。在 RL 中，智能体可以是一个机器人、一个软件程序，甚至是视频游戏中的一个角色。智能体的主要任务是根据环境的当前状态选择动作，以最大化随时间累积的奖励。
2. 环境：作为 RL 中的关键因素，环境代表了智能体与之交互的一切，从物理空间（如机器人工作区）到虚拟环境（如模拟游戏世界）。本质上，以其动态性为特征的环境是智能体学习和进化的操场。
3. 状态：与可以视为外部元素的环境不同，状态是环境当前状况的表示。它包含了智能体做出明智决策所需的所有信息。状态可简单可复杂，取决于所处理的问题。例如，在国际象棋游戏中，状态将包括棋盘上所有棋子的位置。
4. 动作：当智能体响应当前状态而做出的启动决策或移动即为动作。动作可以是离散的，如调整机器人手臂的角度。智能体的目标是选择能够最大化随时间累积奖励的动作。
5. 策略：决策过程由智能体的策略指导，策略是 RL 的关键组成部分，定义了智能体的行为。它是从状态到动作的映射，本质上规定了智能体在每个状态下应采取的动作。策略可以是确定性的，即为每个状态选择特定的动作。策略随着智能体的学习而演变，旨在改进动作选择以最大化奖励。
6. 奖励：环境在动作后反馈的信号就是奖励。它作为动作结果的指示。正奖励鼓励导致期望结果的行为，而负奖励阻止导致不期望结果的行为。
7. 价值函数：用于估计从给定状态或状态-动作对可以获得的预期累积奖励。有两种主要的价值函数类型：状态价值函数，它考虑从状态和策略中获得的预期收益，以及动作价值函数，它在评估中加入采取动作的效果。这些函数帮助智能体评估状态和动作的长期收益。
8. 环境模型：它是 RL 中的一个可选组件，代表智能体对环境运作方式的理解。该模型可以根据当前状态和动作预测下一个状态和奖励。
强化学习是人工智能中一个强大且动态的领域，由核心要素之间的交互驱动：智能体、环境、状态、动作、策略、奖励、价值函数和模型。通过利用这些组件，RL 算法学会在从自动驾驶到个性化推荐的各种应用中做出最优决策。