動手學強化學習

张伟楠，上海交通大学副教授，博士生导师，ACM班机器学习、强化学习课程授课老师，吴文俊人工智能优秀青年奖、达摩院青橙奖得主，获得中国科协“青年人才托举工程”支持。他的科研领域包括强化学习、数据挖掘、知识图谱、深度学习以及这些技术在推荐系统、搜索引擎、文本分析等场景中的应用。他在国际会议和期刊上发表了100余篇相关领域的学术论文，于2016年在英国伦敦大学学院（UCL）计算机系获得博士学位。

沈键，上海交通大学APEX实验室博士生，师从俞勇教授，研究方向为深度学习、强化学习和教育数据挖掘。在攻读博士期间，他以第一作者身份发表机器学习国际会议NeurIPS、AAAI论文，参与发表多篇机器学习和数据挖掘国际会议（包括ICML、IJCAI、SIGIR、KDD、AISTATS等）论文，并担任多个国际会议和SCI学术期刊的审稿人。

俞勇，享受国务院特殊津贴专家，教学名师，上海交通大学特聘教授，APEX实验室主任，上海交通大学ACM班创始人。俞勇教授曾获得“国家高层次人才特殊支持计划”教学名师、“上海市教学名师奖”“全国师德标兵”“上海交通大学校长奖”和“最受学生欢迎教师”等荣誉。他于2018年创办了伯禹人工智能学院，在上海交通大学ACM班人工智能专业课程体系的基础上，对AI课程体系进行创新，致力于培养卓越的AI算法工程师和研究员。

第 一部分 強化學習基礎

第 1 章 初探強化學習 2

1.1 簡介 2

1.2 什麽是強化學習 2

1.3 強化學習的環境 4

1.4 強化學習的目標 4

1.5 強化學習中的數據 5

1.6 強化學習的獨特性 6

1.7 小結 6

第 2 章 多臂老虎機問題 7

2.1 簡介 7

2.2 問題介紹 7

2.2.1 問題定義 7

2.2.2 形式化描述 8

2.2.3 累積懊悔 8

2.2.4 估計期望獎勵 8

2.3 探索與利用的平衡 10

2.4 -貪婪算法 11

2.5 上置信界算法 14

2.6 湯普森採樣算法 16

2.7 小結 18

2.8 參考文獻 18

第 3 章 馬爾可夫決策過程 19

3.1 簡介 19

3.2 馬爾可夫過程 19

3.2.1 隨機過程 19

3.2.2 馬爾可夫性質 19

3.2.3 馬爾可夫過程 20

3.3 馬爾可夫獎勵過程 21

3.3.1 回報 21

3.3.2 價值函數 22

3.4 馬爾可夫決策過程 24

3.4.1 策略 25

3.4.2 狀態價值函數 25

3.4.3 動作價值函數 25

3.4.4 貝爾曼期望方程 25

3.5 蒙特卡洛方法 28

3.6 占用度量 31

3.7 最優策略 32

3.8 小結 33

3.9 參考文獻 33

第 4 章 動態規劃算法 34

4.1 簡介 34

4.2 懸崖漫步環境 34

4.3 策略迭代算法 36

4.3.1 策略評估 36

4.3.2 策略提升 36

4.3.3 策略迭代 37

4.4 價值迭代算法 40

4.5 冰湖環境 42

4.6 小結 45

4.7 擴展閱讀：收斂性證明 45

4.7.1 策略迭代 45

4.7.2 價值迭代 45

4.8 參考文獻 46

第 5 章 時序差分算法 47

5.1 簡介 47

5.2 時序差分 48

5.3 Sarsa 算法 48

5.4 多步 Sarsa 算法 53

5.5 Q-learning 算法 56

5.6 小結 60

5.7 擴展閱讀：Q-learning 收斂性證明 61

5.8 參考文獻 62

第 6 章 Dyna-Q 算法 63

6.1 簡介 63

6.2 Dyna-Q 63

6.3 Dyna-Q 代碼實踐 64

6.4 小結 69

6.5 參考文獻 69

 

第二部分 強化學習進階

第 7 章 DQN算法 72

7.1 簡介 72

7.2 車桿環境 72

7.3 DQN 73

7.3.1 經驗回放 74

7.3.2 目標網絡 74

7.4 DQN代碼實踐 75

7.5 以圖像作為輸入的DQN算法 79

7.6 小結 80

7.7 參考文獻 80

第 8 章 DQN改進算法 81

8.1 簡介 81

8.2 Double DQN 81

8.3 Double DQN代碼實踐 82

8.4 Dueling DQN 88

8.5 Dueling DQN代碼實踐 90

8.6 小結 93

8.7 擴展閱讀：對Q值過高估計的定量分析 93

8.8 參考文獻 94

第 9 章 策略梯度算法 95

9.1 簡介 95

9.2 策略梯度 95

9.3 REINFORCE 96

9.4 REINFORCE代碼實踐 97

9.5 小結 100

9.6 擴展閱讀：策略梯度證明 100

9.7 參考文獻 102

第 10 章 Actor-Critic算法 103

10.1 簡介 103

10.2 Actor-Critic 103

10.3 Actor-Critic代碼實踐 105

10.4 小結 108

10.5 參考文獻 108

第 11 章 TRPO算法 109

11.1 簡介 109

11.2 策略目標 109

11.3 近似求解 111

11.4 共軛梯度 112

11.5 線性搜索 112

11.6 廣義優勢估計 113

11.7 TRPO代碼實踐 114

11.8 小結 122

11.9 參考文獻 123

第 12 章 PPO算法 124

12.1 簡介 124

12.2 PPO-懲罰 124

12.3 PPO-截斷 125

12.4 PPO代碼實踐 125

12.5 小結 131

12.6 參考文獻 132

第 13 章 DDPG算法 133

13.1 簡介 133

13.2 DDPG 133

13.3 DDPG代碼實踐 135

13.4 小結 140

13.5 擴展閱讀：確定性策略梯度定理的證明 140

13.6 參考文獻 141

第 14 章 SAC算法 142

14.1 簡介 142

14.2 最大熵強化學習 142

14.3 Soft策略迭代 143

14.4 SAC 143

14.5 SAC代碼實踐 145

14.6 小結 154

14.7 參考文獻 155

 

第三部分 強化學習前沿

第 15 章 模仿學習 158

15.1 簡介 158

15.2 行為克隆 159

15.3 生成對抗模仿學習 159

15.4 代碼實踐 160

15.4.1 生成專家數據 160

15.4.2 行為克隆的代碼實踐 163

15.4.3 生成對抗模仿學習的代碼實踐 165

15.5 小結 167

15.6 參考文獻 168

第 16 章 模型預測控制 169

16.1 簡介 169

16.2 打靶法 169

16.2.1 隨機打靶法 170

16.2.2 交叉熵方法 170

16.3 PETS算法 171

16.4 PETS算法實踐 172

16.5 小結 179

16.6 參考文獻 179

第 17 章 基於模型的策略優化 180

17.1 簡介 180

17.2 MBPO算法 180

17.3 MBPO代碼實踐 181

17.4 小結 192

17.5 拓展閱讀：MBPO理論分析 192

17.5.1 性能提升的單調性保障 192

17.5.2 模型推演長度 192

17.6 參考文獻 193

第 18 章 離線強化學習 194

18.1 簡介 194

18.2 批量限制 Q-learning算法 195

18.3 保守 Q-learning算法 197

18.4 CQL代碼實踐 199

18.5 小結 208

18.6 擴展閱讀 208

18.7 參考文獻 210

第 19 章 目標導向的強化學習 211

19.1 簡介 211

19.2 問題定義 211

19.3 HER算法 212

19.4 HER代碼實踐 213

19.5 小結 221

19.6 參考文獻 221

第 20 章 多智能體強化學習入門 222

20.1 簡介 222

20.2 問題建模 223

20.3 多智能體強化學習的基本求解範式 223

20.4 IPPO算法 223

20.5 IPPO代碼實踐 224

20.6 小結 228

20.7 參考文獻 229

第 21 章 多智能體強化學習進階 230

21.1 簡介 230

21.2 MADDPG算法 230

21.3 MADDPG代碼實踐 232

21.4 小結 240

21.5 參考文獻 240

總結與展望 241

總結 241

展望：剋服強化學習的落地挑戰 241

中英文術語對照表與符號表 244

中英文術語對照表 244

符號表 246