强化学习（第2版）

图书标准信息

• 作者 [加]RichardS.SuttonAndrewG.Barto（美） 著
• 出版社 电子工业出版社
• 出版时间 2019-09
• 版次 1
• ISBN 9787121295164
• 定价 168.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 548页
• 字数 100千字

【内容简介】

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。

 

《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

【作者简介】

Richard Sutton（理查德?萨顿）

 

埃德蒙顿 DeepMind 公司的杰出科学家，阿尔伯塔大学计算科学系教授。他于2003年加入阿尔伯塔大学，2017年加入DeepMind。之前，曾在美国电话电报公司（AT＆T）和通用电话电子公司（GTE）实验室工作，在马萨诸塞大学做学术研究。

 

1978年获得斯坦福大学心理学学士学位，1984年获得马萨诸塞大学计算机科学博士学位，加拿大皇家学会院士和人工智能促进会的会士。

 

主要研究兴趣是在决策者与环境相互作用时所面临的学习问题，他认为这是智能的核心问题。其他研究兴趣有：动物学习心理学、联结主义网络，以及能够不断学习和改进环境表征和环境模型的系统。

 

他的科学出版物被引用超过7万次。

 

他也是一名自由主义者，国际象棋选手和癌症幸存者。

 

 

 

Andrew Barto （安德鲁?巴图）

 

马萨诸塞大学阿默斯特分校信息与计算机科学学院名誉教授。1970年获得密歇根大学数学专业的杰出学士学位，并于1975年获该校计算机科学专业的博士学位。1977年他加入马萨诸塞州阿默斯特大学计算机科学系。在2012年退休之前，他带领了马萨诸塞大学的自主学习实验室，该实验室培养了许多著名的机器学习研究者。

 

目前担任Neural Computation （《神经计算》）期刊的副主编，Journal of Machine Learning Research （《机器学习研究》）期刊的顾问委员会成员，以及Adaptive Behavior （《自适应行为》）期刊的编委员会成员。

 

他是美国科学促进会的会员，IEEE（国际电子电气工程师协会）的终身会士（Life Fellow），也是神经科学学会的成员。

 

2004年，因强化学习领域的贡献荣获IEEE神经网络学会先锋奖，并因在强化学习理论和应用方面的开创、富有影响力的研究获得 IJCAI-17卓越研究奖；2019年获得马萨诸塞大学神经科学终身成就奖。

 

他在各类期刊、会议和研讨会上发表了100多篇论文，参与撰写多部图书的相关章节。

 

 

 

译者简介

 

俞凯

 

上海交通大学计算科学与工程系教授，思必驰公司创始人、首席科学家。清华大学自动化系本科、硕士，剑桥大学工程系博士。青年千人，国家自然科学基金委优青，上海市“东方学者”特聘教授。IEEE 高级会员，现任 IEEE Speech and Language Processing Technical Committee 委员，中国人工智能产业发展联盟学术和知识产权组组长，中国计算机学会语音对话及听觉专业组副主任。

 

长期从事交互式人工智能，尤其是智能语音及自然语言处理的研究和产业化工作。发表国际期刊和会议论文 150 余篇，获得Computer Speech and Language, Speech Communication 等多个国际期刊及InterSpeech等国际会议的优论文奖，所搭建的工程系统曾获美国国家标准局语音识别评测冠军，对话系统国际研究挑战赛冠军等。

 

获评2014“吴文俊人工智能科学技术奖”进步奖，“2016科学中国人年度人物”，2018中国计算机学会“青竹奖”。

【目录】

第1章 导论  1

 

1.1 强化学习  1

 

1.2 示例  4

 

1.3 强化学习要素  5

 

1.4 局限性与适用范围  7

 

1.5 扩展实例：井字棋  8

 

1.6 本章小结  12

 

1.7 强化学习的早期历史  13

 

 

 

第I部分 表格型求解方法  23

 

 

 

第2章 多臂赌博机  25

 

2.1 一个 k 臂赌博机问题  25

 

2.2 动作-价值方法  27

 

2.3 10 臂测试平台  28

 

2.4 增量式实现  30

 

2.5 跟踪一个非平稳问题  32

 

2.6 乐观初始值  34

 

2.7 基于置信度上界的动作选择  35

 

2.8 梯度赌博机算法  37

 

2.9 关联搜索 (上下文相关的赌博机)  40

 

2.10 本章小结  41

 

 

 

第3章 有限马尔可夫决策过程 45

 

3.1 “智能体-环境”交互接口  45

 

3.2 目标和收益  51

 

3.3 回报和分幕  52

 

3.4 分幕式和持续性任务的统一表示法  54

 

3.5 策略和价值函数  55

 

3.6 最优策略和最优价值函数  60

 

3.7 最优性和近似算法  65

 

3.8 本章小结  66

 

 

 

第4章 动态规划  71

 

4.1 策略评估 (预测)  72

 

4.2 策略改进  75

 

4.3 策略迭代  78

 

4.4 价值迭代  80

 

4.5 异步动态规划  83

 

4.6 广义策略迭代  84

 

4.7 动态规划的效率  85

 

4.8 本章小结  86

 

 

 

第5章 蒙特卡洛方法  89

 

5.1 蒙特卡洛预测  90

 

5.2 动作价值的蒙特卡洛估计  94

 

5.3 蒙特卡洛控制  95

 

5.4 没有试探性出发假设的蒙特卡洛控制  98

 

5.5 基于重要度采样的离轨策略  101

 

5.6 增量式实现  107

 

5.7 离轨策略蒙特卡洛控制  108

 

5.8 ? 折扣敏感的重要度采样  110

 

5.9 ? 每次决策型重要度采样  112

 

5.10 本章小结  113

 

 

 

第 6 章 时序差分学习  117

 

6.1 时序差分预测  117

 

6.2 时序差分预测方法的优势  122

 

6.3 TD(0) 的最优性  124

 

6.4 Sarsa：同轨策略下的时序差分控制  127

 

6.5 Q 学习：离轨策略下的时序差分控制  129

 

6.6 期望 Sarsa  131

 

6.7 最大化偏差与双学习  133

 

6.8 游戏、后位状态和其他特殊例子  135

 

6.9 本章小结  136

 

 

 

第7章 n 步自举法  139

 

7.1 n 步时序差分预测  140

 

7.2 n 步 Sarsa  144

 

7.3 n 步离轨策略学习  146

 

7.4 ? 带控制变量的每次决策型方法  148

 

7.5 不需要使用重要度采样的离轨策略学习方法：n 步树回溯算法  150

 

7.6 ? 一个统一的算法：n 步 Q(σ)  153

 

7.7 本章小结  155

 

 

 

第8章 基于表格型方法的规划和学习  157

 

8.1 模型和规划  157

 

8.2 Dyna：集成在一起的规划、动作和学习  159

 

8.3 当模型错误的时候  164

 

8.4 优先遍历  166

 

8.5 期望更新与采样更新的对比  170

 

8.6 轨迹采样  173

 

8.7 实时动态规划  176

 

8.8 决策时规划  179

 

8.9 启发式搜索  180

 

8.10 预演算法  182

 

8.11 蒙特卡洛树搜索  184

 

8.12 本章小结  187

 

8.13 第I部分总结  188

 

 

 

第II部分 表格型近似求解方法  193

 

 

 

第9章 基于函数逼近的同轨策略预测  195

 

9.1 价值函数逼近  195

 

9.2 预测目标 (VE )  196

 

9.3 随机梯度和半梯度方法  198

 

9.4 线性方法  202

 

9.5 线性方法的特征构造  207

 

9.5.1 多项式基  208

 

9.5.2 傅立叶基  209

 

9.5.3 粗编码  212

 

9.5.4 瓦片编码  214

 

9.5.5 径向基函数  218

 

9.6 手动选择步长参数  219

 

9.7 非线性函数逼近：人工神经网络  220

 

9.8 最小二乘时序差分  225

 

9.9 基于记忆的函数逼近  227

 

9.10 基于核函数的函数逼近  229

 

9.11 深入了解同轨策略学习：“兴趣”与“强调”  230

 

9.12 本章小结  232

 

 

 

第10章 基于函数逼近的同轨策略控制  239

 

10.1 分幕式半梯度控制  239

 

10.2 半梯度 n 步 Sarsa  242

 

10.3 平均收益：持续性任务中的新的问题设定  245

 

10.4 弃用折扣  249

 

10.5 差分半梯度 n 步 Sarsa  251

 

10.6 本章小结  252

 

 

 

第11 章 ? 基于函数逼近的离轨策略方法  253

 

11.1 半梯度方法  254

 

11.2 离轨策略发散的例子  256

 

11.3 致命三要素  260

 

11.4 线性价值函数的几何性质  262

 

11.5 对贝尔曼误差做梯度下降  266

 

11.6 贝尔曼误差是不可学习的  270

 

11.7 梯度 TD 方法  274

 

11.8 强调 TD 方法  278

 

11.9 减小方差  279

 

11.10 本章小结  280

 

 

 

第12章 资格迹  283

 

12.1 λ-回报  284

 

12.2 TD(λ)  287

 

12.3 n-步截断 λ- 回报方法  291

 

12.4 重做更新：在线 λ-回报算法  292

 

12.5 真实的在线 TD(λ)  294

 

12.6 ? 蒙特卡洛学习中的荷兰迹  296

 

12.7 Sarsa(λ)  298

 

12.8 变量 λ 和 γ  303

 

12.9 带有控制变量的离轨策略资格迹  304

 

12.10 从 Watkins 的 Q(λ) 到树回溯 TB(λ)  308

 

12.11 采用资格迹保障离轨策略方法的稳定性  310

 

12.12 实现中的问题  312

 

12.13 本章小结  312

 

 

 

第13章 策略梯度方法  317

 

13.1 策略近似及其优势  318

 

13.2 策略梯度定理  320

 

13.3 REINFORCE：蒙特卡洛策略梯度  322

 

13.4 带有基线的 REINFORCE  325

 

13.5 “行动器-评判器”方法  327

 

13.6 持续性问题的策略梯度  329

 

13.7 针对连续动作的策略参数化方法  332

 

13.8 本章小结  333

 

 

 

第III部分 表格型深入研究  337

 

 

 

第14章 心理学  339

 

14.1 预测与控制  340

 

14.2 经典条件反射  341

 

14.2.1 阻塞与高级条件反射  342

 

14.2.2 Rescorla-Wagner 模型  344

 

14.2.3 TD 模型  347

 

14.2.4 TD 模型模拟  348

 

14.3 工具性条件反射  355

 

14.4 延迟强化  359

 

14.5 认知图  361

 

14.6 习惯行为与目标导向行为  362

 

14.7 本章小结  366

 

 

 

第15章 神经科学  373

 

15.1 神经科学基础  374

 

15.2 收益信号、强化信号、价值和预测误差  375

 

15.3 收益预测误差假说  377

 

15.4 多巴胺  379

 

15.5 收益预测误差假说的实验支持  382

 

15.6 TD 误差/多巴胺对应  385

 

15.7 神经“行动器-评判器”  390

 

15.8 行动器与评判器学习规则  393

 

15.9 享乐主义神经元  397

 

15.10 集体强化学习  399

 

15.11 大脑中的基于模型的算法  402

 

15.12 成瘾  403

 

15.13 本章小结  404

 

 

 

第 16 章 应用及案例分析  413

 

16.1 TD-Gammon  413

 

16.2 Samuel 的跳棋程序  418

 

16.3 Watson 的每日双倍投注  421

 

16.4 优化内存控制  424

 

16.5 人类级别的视频游戏  428

 

16.6 主宰围棋游戏  433

 

16.6.1 AlphaGo  436

 

16.6.2 AlphaGo Zero  439

 

16.7 个性化网络服务  442

 

16.8 热气流滑翔  446

 

 

 

第17章 前沿技术  451

 

17.1 广义价值函数和辅助任务  451

 

17.2 基于选项理论的时序摘要  453

 

17.3 观测量和状态  456

 

17.4 设计收益信号  460

 

17.5 遗留问题  464

 

17.6 人工智能的未来  467

 

 

 

参考文献  473