复杂应用中运用人工智能核心 强化学习

近期，有不少报道强化学习算法在 GO、Dota 2 和 Starcraft 2 等一系列游戏中打败了专业玩家的新闻。强化学习是一种机器学习类型，能够在电子游戏、机器人、自动驾驶等复杂应用中运用人工智能。在状态和动作空间较大、环境信息不完善并且短期动作的长期回报不确定的游戏中，这些程序可以找出最佳动作。

不只是游戏王者，强化学习作为机器学习的一个分支，在真实系统设计中，它能帮助您针对复杂系统（如机器人和自主系统）实现控制器和决策系统。借助深度强化学习，您可以实现深度神经网络，这类网络运用通过仿真模型动态生成的数据进行训练，从而学习复杂行为。您只需准备一个仿真模型来表示您正在与之交互并尝试控制的环境，而无需提供标注或者未标注的预定义训练数据集。

MATLAB 和 Simulink 支持设计和部署基于强化学习的控制器的整套工作流。您可以：

通过简单的控制系统、自主系统和机器人示例，初步了解强化学习

在常见强化学习算法间快速切换并加以评估和比较，只需对代码稍加改动即可实现

使用深度神经网络，根据图像、视频和传感器数据定义复杂强化学习策略

使用本地核心或云并行运行多个仿真，加速完成策略训练

将强化学习控制器部署到嵌入式设备

强化学习智能体（agent）

强化学习智能体由策略和算法构成，策略用于执行从输入状态到输出动作的映射，算法负责更新策略。常见算法包括深度 Q 网络、Actor-Critic和深度确定性策略梯度。算法会更新策略，使之最大化环境提供的长期奖励信号。策略可通过深度神经网络、多项式或查找表进行表达。然后，您可以将内置智能体和自定义智能体作为 MATLAB 对象或 Simulink 模块加以实现。

在 MATLAB 和 Simulink 中进行环境建模

强化学习算法训练是一个动态过程，因为智能体需要与周边环境进行交互。对于机器人和自主系统等应用形式，在真实环境中使用实际硬件开展此类训练不仅代价高昂，还可能面临危险。正因如此，人们倾向于采用通过仿真生成数据的虚拟环境模型来开展强化学习。您可以在 MATLAB 和 Simulink 中构建环境模型，以此描述系统动态、智能体的行动对系统动态产生的影响，以及用于评估所采取行动优度的奖励。这些模型在本质上可以是连续的或者离散的，可以采用不同的保真度来表示系统。此外，您也可以通过并行仿真来加快训练。在某些情况下，您还可以重用现有的 MATLAB 和 Simulink 系统模型，只需稍加改动即可将其用于强化学习。