反应策略深度强化学习的第一个主要成就是着名的DQN算法在各种Atari视频游戏中的人类水平表现 ， 其中神经网络学习使用原始屏幕像素作为输入来玩游戏 。 在强化学习中 ， 我们希望学习一种将状态映射到行动的政策 ， 以便最大化累积的奖励 。 例如 ， 在DQN论文中 ， 神经网络是卷积神经网络 ， 它将屏幕图像作为输入并输出可能动作的分数 。
虽然强化学习算法的设计使得该策略应该学会选择具有长期益处的行为 ， 但我们从策略中获得的信息仅适用于当前状态 。 这称为响应策略 ， 它是一种策略 ， 将当前状态映射到应立即采取的操作 ， 或映射到操作的概率分布 。
拥有完整的计划允许我们使用外部知识对其进行评估并防止采取危险行为 。 例如 ， 如果自动驾驶汽车希望改变车道但是突然汽车接近非常快 ， 比模拟汽车在训练期间更快 ， 则外部程序可以预测当前计划的轨迹朝向碰撞并且中止操纵 。 这对于被动策略来说要困难得多 ， 在这种策略中可能难以预测场景在播出之前如何结束 。
希望制定完整计划的另一个原因是它可能会使我们的政策表现更好 。 也许通过强制它提前计划 ， 我们可能会限制我们的政策更加一致 ， 并能够在看不见的情况下更好地调整 ， 这正是我们想要的 。
马尔可夫决策过程规划问题的一个非常常见的模型是马尔可夫决策过程 ， 即MDP 。 在MDP中 ， 我们将世界定义为一组状态S ， 一组可能采取的行动A ， 一个奖励函数R和一个过渡模型P.它们一起构成了元组：
推荐阅读
-
全能组长|在当时哪一个更震惊全球？，科比的81分和麦迪的35秒13分
-
『玉昭令』《陈情令》原班人马再出新剧！《玉昭令》官宣，不看剧情看颜值！
-
-
-
闲鱼有话说|叫“前面乖巧，后面叛逆”，明星超模都爱穿，现在流行一种裤子
-
『意大利』军队医疗组将挺进意大利，美国人：可惜派遣者不是北约国家
-
[硅谷分析狮]罗永浩直播带货首秀：直播间峰值人数近300万 开播一小时后热度下降，
-
少年帮|苹果手机的价格到底贵在哪里？为什么越卖越贵？看完长知识了
-
扁豆为什么只长叶不开花结果,扁豆为何不开花也不长扁豆-
-
开原市中医医院顺利完成辽北地区首例人工肱骨头置换手术
-
周涛|主持人周涛：与姚科离婚后，转身再嫁富豪路云，只对女儿心中有愧
-
-
-
老年痴呆|日本官方研究报告指出，老年痴呆的病因与这三个因素有关，趁早改
-
汉语（包括口语）中，“不”字在啥情况下可以等价于“吗”字
-
【开拓者队】下赛季可能诞生的五组三巨头球队，哪一队夺冠概率最高？
-
-
甄嬛传|重看《甄嬛传》，发现看上去最笨的敬妃，却用了最聪明的生存方法
-
-
![[硅谷分析狮]罗永浩直播带货首秀：直播间峰值人数近300万 开播一小时后热度下降，](https://imgcdn.toutiaoyule.com/20200402/20200402103523534271.jpeg)
