强化学习快速入门
- Q-learning：查表学习，每个行为在表中有对应的Q值，每一轮通过现实和估计的差距来更新表，具体的更新规则如下。值的注意的是，Q现实项中有一项为下一行为中最大奖励的估计。
- Sarsa：和Q-learning类似，不同点在于更新规则。
- Sarsa和Q-learning对比：为啥Q-learning会更勇敢一点？
- Sarsa(λ)：Sarsa原算法缺陷是只有最后的一步被增强，加上拉姆达后，通向成功的每一步都有其对应的增强值，由lamada控制。
- DQN：传统算法的缺陷是表规模受限，神经网络的引入使得大规模行为和Q的映射的存储成为可能，其更新机制如下。其中，记忆重放和固态Q-目标是两个打乱相关性的技巧，这暂时不知道怎么理解，猜测是跟泛化能力有关。
- Policy-Gradients：之前的方法都是只针对离散行为，当输出动作是连续时，Policy-Gradients就要上场了。利用神经网络来存储各种动作的概率，通过reward来更新各种动作的概率。
存在问题：回合制更新，只有到Reward那步才更新。
- Actor-Critic：类似GAN的思想，Actor是利用Policy-gradient的生成网络，Critic是负责对生成行为和环境评估Q值的网络。这样的操作使得其能够实现单步更新（critic评价状态和actor行为）
存在问题：Actor-Critic更新存在相关性？神经网络学不到东西？只能片面地看问题？连续状态下更新，相关性比较大，比较难收敛？
- DDPG：deep deterministic policy gradient，结合了DQN和policy gradient的优点，Actor和Critic各自有两个神经网络，一共四个网络，更新策略如下所示。
-
A3C：人多力量大，多个Actor一起学习。
-
PPO：解决学习率调节的问题，让新旧策略变化幅度控制住。