1樓：shenghuo
強化學習是一種無模型的動態規劃問題，應用的特點是環境因智慧型體的動作而發生變化，獲取的資料沒有標籤，獎勵延遲且稀疏。這導致傳統的基於模型的動態規劃演算法（已知模型轉移概率和獎勵模型）難以奏效，因此需要採用通過不斷與環境互動，獲取（s,a,r,s'）資料組，並通過學習或手工設定獎勵函式，來實現選取最大獎賞的策略。獎勵函式的設定與最終的目標是一致的，以此指導智慧型體學習出最優策略。
至於說哪些問題適合，考慮到應用場景，可以說，模型未知或很難建模、規則不明確的問題，是適合於強化學習的。比如說Alphastar，智慧型體的狀態空間和動作空間非常大，很難建立乙個精確的模型來進行模擬，且窮盡人類已知規則，很難找出最優策略，那麼就可以通過智慧型體不斷的與環境互動試錯，以學習到的資料來不斷改進策略，學習出最優策略。反之，如果可以通過規則等人類先驗知識可以求得最優解，或者通過建立模型獲取到高質量的資料，進而通過Planning來求解，也不必使用強化學習。
2樓：
強化學習的最大侷限是在訓練中需要實時取樣大量樣本和試錯。
所以答案很簡單：試錯成本高，取樣成本高的問題，不適合強化學習解決。
3樓：佛系智慧型化
強化學習應用範圍很廣很廣，看你的需求，以及根據需求如何構建你的問題，簡單來說你的建模能力，如何從複雜問題總結要點抽象成簡單問題
有研究強化學習（Reinforcement Learning）的不，強化學習的研究價值和應用前景如何？
劉景初 Short Answer 至少得了解一下，但全情投入需謹慎。Long Answer 之所以建議有基本了解，是因為強化學習涉及人工智慧的根本性問題，想要從事機器學習相關的專業研究，就算只是為了培養基本的intuition也不能對這個領域一無所知。謹慎的原因是強化學習的潛力是有層次的 基礎理論已...
什麼是逆強化學習？
梵笙 The main idea of inverse reinforcement learning is to learn the reward function based on the agent s decisions,and then find the optimal policy usi...
強化學習中的reward function為什麼要取期望？
首先明確三個不同的概念 reward，return 和 value。Reward的定義為 每個狀態下執行action後立即 從系統以外的環境 獲得的評價性響應，必須直接對應RL學習的最終目標。Return的定義為 累積的未來reward。式中含有衰減係數 Value的定義為 從狀態 開始，一直遵循p...