機器學習是人工智能的基礎和研究熱點,按照不同的學習範式分類,機器學習可以分為監督學習、非監督學習和強化學習三大板塊。其中,強化學習是一種模擬生物智能體學習決策過程的機器學習方法,其主要思想是智能體通過與環境的不斷交互獲得經驗,並從經驗中逐漸學習與環境交互的策略。近年來,隨著人工智能的發展,強化學習在自動控制、決策等領域獲得了廣泛應用。特別是在將深度學習和強化學習結合之後,深度強化學習已經成為當今機器學習研究的熱點之一。
強化學習並不是一個全新的機器學習領域,它之前也被稱為再勵學習、評價學習和增強學習,是一種交互式學習方法。其前身可以追溯到動態規劃法,但經典強化學習方法因其理論和算法的局限,隻能處理極少數簡單的機器學習問題,因此並不被人所熟知。直到2016年基於深度強化學習的圍棋程序AlphaGo的橫空出世,並創歷史地擊敗了人類大師級選手,深度強化學習纔大張旗鼓地進入了公眾視野。現在,深度強化學習已經不僅是科研工作者的研究課題,而且是實實在在地在生產實踐中使用的技術手段。例如,韓國圍棋院使用基於深度強化學習的圍棋程序來訓練人類棋手,使人類棋手的棋藝取得了巨大進步; 谷歌公司的DeepMind團隊已經著手研究用深度強化學習技術來控制“托克馬克”裝置,為人類制造“小太陽”提供了新的解決方案; 筆者所在的團隊也在研究基於深度強化學習的無人機空中格鬥控制,這是無人機空戰的未來發展方向。
本書比較全面、繫統地介紹了深度強化學習的理論和算法,並配有大量的案例和編程實現的代碼。全書的核心內容可以分為3部分,部分為經典強化學習,包括第2~4章,第2章介紹動態規劃法,提出了值迭代和策略迭代兩個基礎框架,這是強化學習的初雛形,也是所有深度強化學習框架的基礎; 第3章介紹蒙特卡羅法,將數理統計中的蒙特卡羅方法引入值迭代和策略迭代,這是經典強化學習走向實用性的一大步; 第4章介紹時序差分法,將動態規劃和蒙特卡羅法相結合,提出了適用範圍更廣、學習效率更高的強化學習算法。
第二部分為深度強化學習,包括第6~8章,第6章介紹值函數近似算法和早期的深度強化學習方法,將函數近似的方法引入強化學習是結合深度學習和強化學習的理論基礎,為後續開發功能更強大的深度強化學習方法奠定了基礎; 第7章介紹策略梯度算法,這是動態規劃法中的策略迭代框架在深度強化學習中的體現,策略梯度法解決了用近似函數來表示策略的問題,大大拓展了深度強化學習的理論空間和應用範圍; 第8章介紹了基於策略梯度法的一些進階算法,這些算法都是目前前沿的深度學習算法框架。
第三部分為深度強化學習的經典應用案例——AlphaGo繫列算法,包括第9章諸節,比較詳細地介紹了AlphaGo繫列算法的來龍去脈,以及各種方法的具體技術細節。
另外,作為理論和算法的輔助,第1章介紹了強化學習的數學模型和由OpenAI開發的環境庫Gym,第5章簡單介紹了深度學習的理論和PyTorch編程框架。
2021年暑假,筆者接到工作所在單位——西南科技大學數理學院的任務,要我開設一個深度強化學習暑期講習班。這是一個很艱巨的任務,雖然之前也零零散散地給我的研究生講過一些深度強化學習的內容,但很不成繫統,當時也沒有比較合適的教材可以使用,更別說現成的視頻、PPT、案例等教學資源了。經過了兩三個月的準備,講習班還是順利開班了,一起學習的有數理學院對深度強化學習感興趣的高年級本科生、學校相關專業的研究生,還有我的老師——重慶師範大學數學科學學院白富生教授推薦的研究生,他們在酷暑天從重慶趕來捧場,特別令我感動。本來也想將講義整理成書,正好接到了清華大學出版社趙佳霓編輯的出書邀約。於是,從2021年暑假開始,每天上午坐在書桌前寫上一段就成了這一年來雷打不動的工作,但從未寫過書的我還是低估了寫作的難度,因為深度強化學習的前沿知識更新速度還是很快的,大部分內容都沒有比較繫統的資料可以參考,所以隻能先閱讀近期發表的論文原著,理解並掌握了之後再繫統地寫出來,案例編程也是一項耗時耗力的工作,經常深夜一兩點家人們都已熟睡時,我還在調試程序,有時一連兩三周也不能寫上一節,真正讓我體會到了“兩句三年得,一吟雙淚流”的感覺。要特別感謝趙佳霓編輯在我寫作過程中給予的幫助,每次我發過去的書稿趙編輯都會很快反饋修改建議,提前幫我規範了很多格式和排版問題,讓我了在這方面的大量時間和精力。
要感謝本書的另外一位作者,中國空氣動力研究與發展中心的章勝副研究員,章老師寫了第8章部分和第9章全部的初稿,並給其他章節提出了寶貴的修改建議,沒有他的幫助,本書不可能這麼快完稿。要感謝我的恩師吳至友教授、Adil Bagirov教授,以及在我求學道路上無私幫助過我的白富生、趙克全、吳昌質、杜學武等老師,是他們成就了現在的我。要感謝我的研究生趙玥茹、王民陽、王宇、吳敏,他們為本書的校對工作付出了大量時間。後,要特別感謝我的家人,特別是兩個孩子,他們時不時地會詢問:“爸爸,你的書寫得怎樣了?”這是我能夠堅持寫下去的巨大動力。
後,由於個人能力有限,書中難免有不當和錯誤之處,還望讀者海涵和指正,不勝感激。
龍強
於綿陽 西南科技大學
2022年10月30日