强化学习【chapter0】-学习路线图

前言：

      主要总结一下西湖大学赵老师的课程

    【强化学习的数学原理】课程：从零开始到透彻理解（完结）_哔哩哔哩_bilibili

1️⃣ 基础阶段（Ch1-Ch7）：掌握表格型算法，理解TD误差与贝尔曼方程
2️⃣ 进阶阶段（Ch8-Ch9）：动手实现DQN/策略梯度，熟悉PyTorch/TensorFlow
3️⃣ 前沿阶段（Ch10：          阅读论文（OpenAI Spinning Up / RLlib文档）

---

Chapter 1：基础概念【Basic Concepts】

学习内容：核心术语与问题定义
知识点：

• State（状态）、Action（动作）、Reward（奖励）

• Return（回报）、Episode（回合）、Policy（策略）、Env（环境）

• 经典示例：网格世界（Grid-World）

---

Chapter 2：状态值-贝尔曼方程【   State Values and Bellman Equation】

学习内容：强化学习的数学框架
知识点：

• 马尔可夫性质、状态转移矩阵

• 折扣因子（γ）、贝尔曼方程

• 最优策略的存在性证明

---

Chapter 3：最优状态值和最优贝尔曼方程（ Optimal State Values and Bellaman Optimality Equation】

学习内容：基于模型的基础算法
知识点：

• 策略评估（Policy Evaluation）

• 策略改进定理（Policy Improvement Theorem）

---

Chapter 4：经典规划算法【 Value Iteration and Policy Iteration】

学习内容：求解最优策略的三大方法
知识点：

1. 值迭代（Value Iteration）：迭代更新价值函数

2. 策略迭代（Policy Iteration）：策略评估+策略改进

3. 截断策略迭代（Truncated PI）：效率优化版

• ⚠️ 依赖环境模型（需已知状态转移概率）

---

Chapter 5：蒙特卡洛方法【  Monte Carlo Methods】

学习内容：无模型学习入门
知识点：

• 基于回合的奖励采样

• 首次访问与每次访问MC

• ε-贪婪策略探索

---

Chapter 6：【Stochastic Approximation】

学习内容：在线增量学习
知识点：

• TD(0) 算法：V(s) ← V(s) + α[r + γV(s') - V(s)]

• 偏差-方差权衡（对比MC）

---

Chapter 7：表格型TD算法【Temporal-Differece Methods】

学习内容：经典无模型控制
知识点：

1. SARSA：On-policy TD控制，更新Q(s,a)

2. Q-Learning：Off-policy TD控制，更新最优动作值

• ✅ 关键区分：

  • On-policy（行为策略=目标策略）

  • Off-policy（行为策略≠目标策略，如Q-learning）

---

Chapter 8：函数逼近与非表格方法【 Value Function Methods】

学习内容：处理高维状态空间
知识点：

1. 值函数逼近（VFA）：min J(w) = E[(v(S) - v̂(S,w))^2]

2. SARSA with VFA

3. Q-learning with VFA

4. Deep Q-Network (DQN)：

   • 经验回放（Experience Replay）

   • 目标网络（Target Network）

•  意义：神经网络引入使RL适用于真实场景

---

Chapter 9：策略梯度方法【 Policy Gradient Methods】

学习内容：从值函数到策略优化
知识点：

• 策略参数化：π(a|s; θ)

• REINFORCE算法：蒙特卡洛策略梯度

• Actor-Critic框架：结合值函数与策略

---

Chapter 10：高级深度强化学习【Actor-Critic Methods】

学习内容：混合方法与前沿技术
知识点：

• A3C：异步并行Actor-Critic

• PPO：近端策略优化（约束策略更新）

• SAC：柔性Actor-Critic（熵正则化）

• 多智能体RL：竞争与合作场景