Reinforcement Learning的关系
强化学习的关系图，如下:
一共有五个核心概念:
两个实体:Agent,Environment
三个交互的联络通道:Actions,Reward,Observations
Reward
Raward是一个scalar value可以在环境中定期得获得。为了让agent变得更可靠，让它们的行为表现更好,因此，设计一个Reward会直接影响任务的成功与否。同时根据反馈，重新设定奖励。让它们更好的服务于环境，并对环境做出指导优化，为特定的环境提供较优的解决方案。[1]
总而言之，奖励的目的是为了让agent获得成功，并且让他的行为按照某种算法进行强化（reinforcement）。可以说reward就是RL的核心。
让大家的直观感受，举例如下：
- 股票交易，买卖股票的收益可以看作是
Reward - 围棋比赛，获得比赛胜利或者输掉比赛，可以看作是
Reward - 电脑游戏，玩dota2等电子竞技，杀了多少敌人亦或者赢了比赛，可以看作是
Reward
Agent
Agent是用于和environment交互的实体，它可以是人亦或者某个事物(电脑，某个机器等)。如何交互？发出一个具体的指令行动，对当前的环境进行观察，获取一个确定的奖励值等。
举例如下:
- 股票交易，一个交易者或者电子交易系统做出买卖股票的决定
- 围棋比赛，参赛的人员或者AI电脑
- 电脑游戏，玩游戏的人或者AI电脑
environment
可以说是Agent以外的世界。就像人类一样，我们所经历的这个世界。而Agent和他自己世界交互的行为只有:执行动作，观察当前的情况，获得奖励。
Actions
Action就是Agent在自己的Environment中做出的具体行为。例如：学生在学校里面根据老师的要求，做家庭作业一般。
我们可以把行为分成两种类型:discrete和continuous（其实就是概率中的离散型和连续型）。
discrete就是相互独立的有限集合。continuous一个动作之下它有着不同的程度。例如:你开车打方向盘和踩油门的时候，这个有程度之分。踩油门踩得重点和轻点。开车的速度是不一样的。
Observations
Observations对于agent来说也是非常重要的。就像人类一样，它会观察它自己的这个世界。那如何判别呢？根据获得的奖励。例如：你受到了工资的短信，发现涨工资了，你就会露出喜悦的反馈。因此，如果奖励是消极的，没有用的，让人迷惑的。那么对于agent的训练就非常的糟糕。最后，也达不到你要的成功行为。
对于Observations的直观感受:
- 股票交易，整个交易市场，可以影响它的东西就很多了.例如：国家的政策，当前全球的经济情况，包括最近我们知道的新冠肺炎疫情也会直接股票的收益。还有其他的炒股人员，他们的心态。现在最新的市场心理学，也会直接影响股票市场等。所以，如果
Observations只是对于股票价格做分析的话，那么它们得出的行为效果也不大。 - 围棋比赛，它的整个环境是棋盘和他的对手，如果更广义的去分析的话：还有他们的围棋技术水平，他们的比赛心态，他们脑子里面的逻辑思绪等。而
Observations只能看到它目前的位置。 - 电脑游戏，它的环境是一个电脑目前的状态，玩游戏的场景。如果是网络游戏，还有和其他电脑交互的操作。而
Observations就是一些屏幕的像素点(pixels)和声音。
RL的应用领域
[1]A. Y. Ng, D. Harada, and S. Russell. Policy invariance under reward transformations: Theory and
application to reward shaping. In International Conference on Machine Learning, volume 99,
pages 278–287, 1999.