接下来我会开一个新坑，会有一系列的文章，让有兴趣编程、或者正在接触机器学习的人可以从零开始通过简单易懂的代码，来完成让电脑自动玩转Flappy bird的一件趣事，而且正常来说，你玩得没它好。:)

强化学习

强化学习的来源来自于行为主义理论，即物体或机器如何在环境的刺激和反馈下做出适当的回应，当该回应满足预期时，则说明该物体或机器已经学习到了某种知识。

强化学习本质上是在解决决策上的问题，即学会自动进行决策，且决策较为符合预期的发展。类比于人类，就是人类为什么能够做出决策，且方向是按着最优方向进行。这个过程，就是强化学习所需要学习的过程。

原理

强化学习作为一个序列决策问题，需要做出一系列决策达到最终目的，就像玩九宫格最终目的是要到达终点前要做一系列动作。当然，这和平时的监督学习有着一些区别，因为监督学习有着明确的label，机器去学习用标签属性去辨别不同的label。而强化学习有着类似的label作用的值——reward，该值能够让机器去辨别这次决策的优劣，就像做对了有奖，做错了惩罚，reward就是表明机器做这次决策有奖还是惩罚的值，来判定下次是否做这次决策。

通过不断地迭代和试错，最终结果是机器的“逻辑思维"是在这种环境下，我应该做什么，在接下来的环境下，我又应该做什么的一种思路。所以强化学习更专注于在线规划，需要在Exploration（探索未知的领域）和Exploitation（利用现有知识）之间找到平衡。

一个简单的例子

图中黄点是机器人，目的是走到绿色的方块，reward+1000，黑色方块是墙壁，撞到reward-10，红色方块是陷阱，撞到reward-1000，其他reward+0。那么每次行走一步，黄点会有四个方向的选择，当前走到下图方向时：

往右走会撞到黑色方块reward-100，其他方向reward+0，所以只能往其他方向走，继续走，到下图所示情况。

往右走会撞到黑色方块reward-100，往下走会撞到红色方块reward-1000，左、上方向reward+0，所以只能往左、上方向走。通过不断地迭代，最终即可找到目标绿色方块。

以上就是强化学习的一般流程，每一次决策不断试错，然后记忆经验，最终往目标方向进行。

下一篇文章会讲述强化学习中很实用的一个算法——Q-learning，通过Q-learning算法，你可以清楚地知道机器人在行动时候的reward变化情况，从而知道它下一次的行动轨迹。