简单易懂聊强化学习

最近闲来了解了下目前比较火的强度学习，现将其原理用简单易懂的方式总结一下，方便初次接触的人快速了解。

接下来我用一个比较有趣的例子来介绍什么是强化学习，首先我来介绍下纯强化学习，假设你被邀请和你的朋友玩一个你完全不了解的游戏（假设为象棋），你的朋友只简单的向你介绍了棋子移动的规则，如：马走日，象飞田，车走直路,炮翻山,老将不离后花园，但是没有告诉你如何才能赢得棋局，你在不能获得除此之外任何信息的情况下开始玩这个游戏。不出意外，你输掉棋局，然后你一局又一局的挑战朋友，一次又一次的输掉（此处省略一万次），经过无数次的尝试，你渐渐的从失败中总结经验，找到了一些有用的模式，现在，你尽管还是会输掉，但是好像不会像最开始那样很快就over,每局还是能够勉强支撑一段时间，接着，在经历了几个月甚至几年的对弈时间后，你勉强可以战胜你的朋友了。哈哈哈哈，你是不是很傻？但是我告诉你，这个模式是目前大部分强化学习方法的模式哦。我们将这种从头开始学习的方法叫做纯强化学习，目前主要应用在解决棋盘类游戏及机器人的各种问题。

你可能会问纯强化学习有意义么？每个人都有不同的看法，大部分人会觉得意义很大，因为目前在强化学习已经被证明可以解决各种复杂问题。但是我再这里稍微唱个反调（并不代表我觉得没有意义哈），其实那些看似复杂的问题，并没有看上去那么复杂，如象棋、围棋等各类游戏，都具有有限的规则，这对于计算机来说并不是难事。

AlphaGO Zero算是纯强化学习应用的一个里程碑，我们都知道AlphaGO（通过监督学习和强化学习结合的算法）算法程序战胜了人类围棋大师，推起了人工智能的高潮，AlphaGO Zero是通过纯强化学习方法，他完全从没有任何先验知识的情况开始，从游戏过程中的一些奖励信号中学习知识，也就是说它不再从人类经验中学习如何成功，AlphaGO Zero目前应该是一个普适的版本，不仅仅可以用于围棋，应该还可以用于象棋等其他有限规则的场景（个人观点，不对请指正）。