一、Q-Learning ：异策略时序差分控制
从决策方式来看，强化学习可以分为基于策略的方法(policy-based)和基于价值的方法(value-based)。基于策略的方法直接对策略进行优化，使制定的的策略能够获得最大的奖励。基于价值的强化学习方法中，智能体不需要制定显式的策略，它维护一个价值表格或价值函数，通过这个价值表格或价值函数来选取价值最大的动作。
Q-Learning 算法就是一种value-based的强化学习算法。
二、算法思想：
Q(s,a)是状态价值函数，表示在某一具体初始状态s和动作a的情况下，对未来收益的期望值。
Q-Learning算法维护一个Q-table，Q-table记录了不同状态下s(s∈S)，采取不同动作a(a∈A)的所获得的Q值。
| Q-table | a1 | a2 | a3 | … |
|---|---|---|---|---|
| s1 | Q(s1,a1) | Q(s1,a2) | Q(s1,a3) | |
| s2 | Q(s2,a1) | Q(s2,a2) | Q(s2,a3) | |
| s3 | Q(s3,a1) | Q(s3,a2) | Q(s3,a3) | |
| … |
探索环境之前，初始化Q-table，当agent与环境交互的过程中，算法利用贝尔曼方程（ballman equation）来迭代更新Q(s,a)，每一轮结束后就生成了一个新的Q-table。agent不断与环境进行交互，不断更新这个表格，使其最终能收敛。最终，agent就能通过表格判断在某个转态s下采取什么动作，才能获得最大的Q值。
三、更新过程
更新方法:
Q ( s t , a t ) ← Q ( s t , a t ) + α [ r t + 1 + γ max a Q ( s t + 1 , a ) − Q ( s t , a t ) ] Q(s_t,a_t) \leftarrow Q(s_t,a_t) + \alpha [r_{t+1}+ \gamma \max_aQ(s_{t+1},a) - Q(s_t,a_t) ] Q(st,at)←Q(st,at)+α[rt+1+γamaxQ(st+1,a)−Q(st,at)]
Q ( s t , a t ) {\color{Red} Q(s_t,a_t)} Q(st,at) 是在状态 s t s_t st下采取动作 a t a_t at的长期回报，是一个估计Q值
r t + 1 {\color{Red} r_{t+1}} rt+1 是在状态 s t s_t st下执行动作 a t a_t at得到的回报reward
max a Q ( s t + 1 , a ) {\color{Red} \max_aQ(s_{t+1},a)} maxaQ(st+1,a) 指的是在状态 s t + 1 s_{t+1} st+1下所获得的最大Q值，直接看Q-table，取它的最大化的值。 γ \gamma γ是折扣因子，含义是看重近期收益，弱化远期收益，同时也保证Q函数收敛。
( r t + 1 + γ max a Q ( s t + 1 , a ) {\color{Red} (r_{t+1}+ \gamma \max_aQ(s_{t+1},a)} (rt+1+γmaxaQ(st+1,a) 即为目标值，就是时序差分目标，是 Q ( s t , a t ) Q(s_t,a_t) Q(st,at) 想要逼近的目标。 α \alpha α是学习率，衡量更新的幅度。
当目标值和估计值的差值趋于0的时候，Q(s,a)就不再继续变化，Q 表趋于稳定，说明得到了一个收敛的结果。这就是算法想要达到的效果。
注意： max a Q ( s t + 1 , a ) {\color{Red} \max_aQ(s_{t+1},a)} maxaQ(st+1,a)所对应的动作不一定是下一步会执行的实际动作！
这里引出 ε − g r e e d y {\color{Red} \varepsilon-greedy} ε−greedy，即 ε − \varepsilon- ε−贪心算法。
在智能体探索过程中，执行的动作采用 ε − g r e e d y {\color{Red} \varepsilon-greedy} ε−greedy策略，是权衡exploitation-exploration(利用和探索)的超参数。
- exploration：探索环境，通过尝试不同的动作来得到最佳策略（带来最大奖励的策略）
- exploitation：不去尝试新的动作，利用已知的可以带来很大奖励的动作。Q-Learning算法中，就是根据Q-table选择当前状态下能使Q值最大的动作。
在刚开始的时候，智能体不知道采取某个动作后会发生什么，所以只能通过试错去探索。利用是指直接采取已知的可以带来很好奖励的动作。这里面临一个权衡问题，即怎么通过牺牲一些短期的奖励来理解动作，从而学习到更好的策略。因此，提出 ε − g r e e d y \varepsilon-greedy ε−greedy， ε \varepsilon ε就是权衡这两方面的超参数。
这篇博客https://blog.csdn.net/zhm2229/article/details/99351831对这部分的理解讲的很好，在此引用一下：
做exploitation和exploration的目的是获得一种长期收益最高的策略，这个过程可能对short-term reward有损失。如果exploitation太多，那么模型比较容易陷入局部最优，但是exploration太多，模型收敛速度太慢。这就是exploitation-exploration权衡。
比如我们设 ε \varepsilon ε=0.9，随机化一个[0,1]的值，如果它小于 ε \varepsilon ε，则进行exploration，随机选择动作；如果它大于 ε \varepsilon ε，则进行exploitation，选择Q value最大的动作。
在训练过程中， ε \varepsilon ε在刚开始的时候会被设得比较大，让agent充分探索，然后 ε \varepsilon ε逐步减少，agent会开始慢慢选择Q value最大的动作
三、伪代码
图源于：百度飞桨AlStudio
参考：
[1] 王琦.强化学习教程[M]
[2] https://blog.csdn.net/zhm2229/article/details/99351831