“价值不是由一次成功决定的，而是在长期的进取中体现”
上文介绍了描述能力更强的多臂赌博机模型，即通过多台机器的方式对环境变量建模，选择动作策略时考虑时序累积奖赏的影响。虽然多臂赌博机模型中引入了价值的概念，但方法在建模过程中本质上是以策略为优化目标，因此又常被归为基于策略的增强学习方法。
此外，增强学习方法还有基于价值以及基于模型两类主要方法。本文介绍第二类，先从描述价值目标的Q函数开始，它也常称之为Q-Learning方法。
最简单的Q函数可用“状态-动作”二维表（Q-Table）描述，其中行表示状态s，列表示动作a，矩阵中的值表示特定状态下执行某动作的回报值为r(s,a)。智能体Agent通过不断更新并查找该表，找到当前状态回报最高的动作执行。
为避免Q-Table陷入局部最优，即使得当前回报最高的结果能达到全局最优，需要通过训练获得累积回报，迭代更新Q-Table，使之能指导长期期望价值最大化的动作执行。
为便于计算，将Q-Table表示为Bellman递推等式，拆分为当前回报和未来最大回报的和，即Q(s,a)=r(s, a)+b(max(Q(s’,a’)))，其中s’表示s状态在a行为作用下的下一状态，而a’为s’状态后所有可能的行为，b为价值累积过程中的打折系数，决定了未来回报相对于当前回报的重要程度。
同样的，也可使用神经网络对Q函数进行建模，其输入为Agent环境状态，输出为使价值最大化的Agent动作。训练过程中，初始Q(s,a)为0，训练中Agent每行动一次，通过Bellman等式计算Q’(s,a)，优化目标是使得Agent根据Q函数执行动作能获得训练过程中的最大价值回报，即Q(s,a)与Q’(s,a)的差异最小。
例如，OpenAI gym的FrozenLake问题，假设人要穿过一个4x4方格的冰湖（从S到G），有冰的地方（F）可以行走，无冰的洞（H）会掉入湖中。使用增强学习建模，其状态空间为4x4的方格空间，动作为“上下左右”的移动，达到目标的回报价值为1，掉入洞中的回报价值为-1。
分别使用Q-Table和神经网络Q函数对FrozenLake问题进行建模求解，可以发现神经网络Q函数的学习方法，在同样实验迭代次数下可以探索出更多的“可行路径”。
对代码实现和实验效果感兴趣的朋友，可在数据小虾米公众号后台回复“代码”，获得源码地址。
数据科学武林风起云涌，
随数据小虾米共闯江湖~
?