【Python强化学习】强化学习基本概念与冰湖问题实战（图文解释 附源码）

需要源码请点赞关注收藏后评论区留言私信~~~

强化学习

 强化学习（Reinforcement Learning, RL）是学习主体（Agent）以“尝试”的方式探索世界、获取知识的学习机制。强化学习起源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。

与前述的聚类、回归、分类和标注任务不同，强化学习面向的是所谓的序列决策（Sequential Decision Making）任务：主体根据环境的状态和反馈连续选择行为，力图收获最大收益。

仿真工具

强化学习需要不断地尝试，因此研究强化学习，离不开仿真。OpenAI的gym 仿真工具提供了对强化学习问题求解仿真的支持。gym采用Python语言，可以和本书使用的编程环境无缝衔接。

可通过 “conda install gym=0.18.0”命令安装本书使用的gym仿真环境。

在gym中仿真强化学习问题，先要在gym中构建相应的仿真环境（具体构建方法可参考相应网站和书籍）。gym内部预先集成了很多已经构建好的强化学习问题仿真环境供初学者使用，如冰湖问题仿真环境。

冰湖问题

v0版的冰湖问题（FrozenLake-v0） 的情景是agent要自主穿过有窟窿的冰面拿到飞盘。冰面由4×4的方格表示，标记为S的方格为agent的出发点，标记为G的方格为飞盘所在的位置，即agent要到达的终点。空白方格表示可以行动的安全区域，灰色方格表示有窟窿的冰面，是会掉入水中的危险区域。

为了简化表示，在gym的FrozenLake-v0环境中，用由S、F、H、G四个