强化学习是实现决策智能的主要途径之一。经历数十年的发展，强化学习领域已经枝繁叶茂，技术内容纷繁复杂，这也为初学者快速入门造成障碍。 本书是一本深度强化学习领域的入门读物。全书分为四部分。第一部分主要阐述强化学习领域的基本理论知识；第二部分讲解深度强化学习常用算法的原理、各算法之间的继承与发展，以及各自的算法流程；第三部分总结深度强化学习算法在游戏、推荐系统等领域的应用；第四部分探讨了该领域存在的问题和发展前景。 本书适合对强化学习感兴趣的读者阅读。

近几年来，深度学习无论是在学术界还是在工业界都掀起了一次又一次的热潮。深度学习凭借强大的建模能力和学习能力，不仅使机器学习技术有了长足的进步，而且在计算机视觉、自然语言处理、搜索推荐等诸多领域都展现了强大的应用实力[36, 22, 21, 29, 79]。 即使深度学习技术能够把猫狗花草分得比人类精准得多，人们依然认为它距离真正的人工智能还有很大差距。这是为什么呢？原因在于深度学习技术仅仅解决了机器感知外界的问题，虽然它能够告诉我们一张图片是猫还是狗（这是一个分类模型），但是对于感知到这个外界的知识之后该怎么用这一问题，目前在绝大部分场景下，都还是由人类完成的。因此，与真正的人工智能相比，深度学习技术还欠缺决策能力，必须对感知的知识做出反应才能称得上是一个智能体[61, 64, 62]。 众所周知，强化学习一直研究的就是多步决策的问题，它在机器学习领域是一个比较特殊的类别[68]。在监督学习中，我们通过建立数据与标签的关系来学习样本的数据分布；在无监督学习中，我们从数据的结构中发掘样本的分布规律。而强化学习与监督学习和无监督学习都不同，它既没有非常准确的监督信号，也并非完全是无监督地在数据中发现结构。它通过不断与环境交互去学习一系列的决策，使得模型最终能够在环境中获得最大的收益。这是一种很接近人类智能的算法，但是由于学习效率低，强化学习一直都仅存在于学术研究领域，很难在真实的复杂场景中应用起来[42, 13, 83, 4]。然而DeepMind 2015 年在《自然》杂志上发表的Human-LevelControl Through Deep Reinforcement Learning 中，将强化学习与深度学习技术相结合，赋予了深度学习决策能力，两者结合训练出来的智能深度强化学习核心算法与应用 体在若干电子游戏上达到甚至超过了人类玩家的水平[44, 46, 69, 75, 55]。 这是一个里程碑式的研究工作，它利用深度学习极大地拓宽了强化学习的应用范围， 打开了深度强化学习这个全新的研究方向。DeepMind 的技术负责人David Silver 提出：人工智能就等于强化学习加深度学习！随着越来越多的相关研究比如A3C、IMPALA、PPO、DDPG 等研究工作的涌现[72, 8, 43, 56, 57, 20]，深度强化学习展现出越来越强的生命力，在许多真实的应用领域比如围棋、非常复杂的即时战略游戏星际争霸、机器人领域、动画生成、智能对话、搜索与推荐等 领域都开始发挥着重要的作用，并且完成了很多之前根本无法完成的任务[72, 8, 16, 60, 14, 28]。 深度强化学习无疑正在掀起深度学习的又一波浪潮，它对机器学习技术、乃至人工智能技术有着深远的影响，并且很可能把人工智能领域带向新的高度，这是令所有人工智能从业者和爱好者激动的技术革命。笔者认为，无论未来人工智能技术是否会强依赖于深度强化学习，它都仍然很有借鉴价值，值得大家学习、了解。 本书系统地介绍了深度强化学习的基本概念和经典算法，并结合若干实际的应用场景对深度强化学习进行了深入的探讨。本书希望通过相对完整的知识体系和应用案例，帮助读者比较快地了解深度强化学习的内涵、掌握大概的脉络，从而能够顺利地进入该领域的研究和应用中。

第I 部分基础理论篇 1 第1 章马尔可夫决策过程 3 1.1 马尔可夫性 3 1.2 一些基本定义 4 1.3 值函数 5 1.4 基于策略的值函数 5 1.5 贝尔曼方程 6 1.6 策略迭代与值迭代 7 第2 章无模型的强化学习 9 2.1 蒙特卡洛方法 10 2.1.1 蒙特卡洛方法预测状态V 值 10 2.1.2 蒙特卡洛方法预测Q 值 11 2.1.3 蒙特卡洛策略优化算法 11 2.1.4 探索和利用 12 2.1.5 异策略蒙特卡洛方法 13 2.2 时间差分方法 16 2.2.1 基本思想 16 2.2.2 Sarsa 算法 17 2.2.3 Q-Learning 算法 20 2.3 值函数估计和策略搜索 23 深度强化学习核心算法与应用 2.3.1 值函数估计 23 2.3.2 策略搜索 24 第3 章有模型的强化学习 27 3.1 什么是模型 27 3.2 基本思路 28 3.3 有模型方法和无模型方法的区别 29 3.4 典型算法 31 第II 部分常用算法篇 33 第4 章DQN 算法 35 4.1 算法介绍 35 4.1.1 背景 36 4.1.2 核心技术 37 4.1.3 算法流程 39 4.2 相关改进 40 4.2.1 Double Q-Learning 40 4.2.2 优先级回放 41 4.2.3 Dueling Networks 41 4.3 实验效果与小结 43 第5 章A3C 算法 45 5.1 Actor-Critic 方法 45 5.2 基线减法与优势函数 47 5.3 博采众长的A3C 算法 48 5.4 实验效果与小结 50 第6 章确定性策略梯度方法 53 6.1 随机性策略梯度与确定性策略梯度 53 iv 目录 6.2 异策略的确定性策略梯度 54 6.3 深度确定性策略梯度 56 6.4 D4PG 算法 57 6.4.1 分布式 57 6.4.2 值函数分布 58 6.4.3 N-step TD 误差和优先级的经验回放 59 6.5 实验效果与小结 59 第7 章PPO 算法 61 7.1 PPO 算法的核心 61 7.2 TRPO 算法 62 7.3 PPO 算法 65 7.4 实验效果与小结 67 7.4.1 替代函数的对比 67 7.4.2 在连续空间中与其他算法的对比 68 7.4.3 小结 69 第8 章IMPALA 算法 71 8.1 算法架构 71 8.2 V-trace 算法 73 8.3 V-trace Actor-Critic 算法 75 8.4 实验效果与小结 76 8.4.1 计算性能 76 8.4.2 单任务训练性能 76 8.4.3 多任务训练性能 78 8.4.4 小结 79 v 深度强化学习核心算法与应用 第III 部分应用实践篇 81 第9 章深度强化学习在棋牌游戏中的应用 83 9.1 棋盘类游戏 84 9.1.1 AlphaGo: 战胜人类围棋冠军 84 9.1.2 AlphaGo Zero: 不使用人类数据，从头学习 87 9.1.3 AlphaZero: 从围棋到更多 90 9.2 牌类游戏 93 9.2.1 Suphx 的五个模型 93 9.2.2 Suphx 的训练过程和算法优化 94 9.2.3 Suphx 的线上实战表现 94 第10 章深度强化学习在电子游戏中的应用 97 10.1 研发游戏中的机器人 97 10.1.1 单机游戏 97 10.1.2 对战游戏 99 10.1.3 小结 104 10.2 制作游戏动画 105 10.3 其他应用 106 第11 章深度强化学习在推荐系统中的应用 109 11.1 适用的场景 110 11.1.1 动态变化 110 11.1.2 考虑长期利益 110 11.2 淘宝锦囊推荐中的应用 111 11.2.1 淘宝锦囊推荐介绍 111 11.2.2 问题建模与推荐框架 112 11.2.3 算法设计与实验 114 vi 目录 第12 章深度强化学习在其他领域中的应用 119 12.1 在无人驾驶中的应用 119 12.2 在金融交易中的应用 121 12.3 在信息安全中的应用 122 12.4 在自动调参中的应用 123 12.5 在交通控制中的应用 124 第IV 部分总结与展望篇 127 第13 章问题与挑战 129 13.1 样本利用率低 129 13.2 奖励函数难以设计 131 13.3 实验效果难复现 132 13.4 行为不完全可控 134 第14 章深度强化学习往何处去 135 14.1 未来发展和研究方向 136 14.1.1 有模型的方法潜力巨大 136 14.1.2 模仿学习 137 14.1.3 迁移学习的引入 138 14.1.4 分层强化学习 140 14.2 审慎乐观，大有可为 141 参考资料 143