深度强化学习（DRL，Deep Reinforcement Learning）

深度强化学习基本概念，作学习笔记使用，资料链接在文末

深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。

一、简介

深度学习具有较强的感知能力，但是缺乏一定的决策能力。

强化学习具有决策能力，但是对感知问题束手无策。

深度强化学习将两者结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路，两者相互关系如下图所示。

二、原理框架

DRL是一种端对端(end-to-end)的感知与控制系统，具有很强的通用性，其学习过程可以描述为：

• 在每个时刻Agent与环境交互得到一个高维度的观察，并利用DL方法来观察得到具体的状态特征表示。(DL)
• 基于预期回报或奖赏来评价各动作的价值函数，并通过某种策略将当前状态映射为相应的动作。(RL)
• 环境对此动作做出观察，状态发生改变，产生相应的奖赏，并由Agent与环境的交互得到下一个观察，继续循环以上过程。最终，得到实现目标的最优策略。

资料链接：https://baike.baidu.com/item/深度强化学习/22743894?fr=aladdin