强化学习（RL）入门

RL算法必须通过​​环境提供的反馈​​来学习。

体现强化学习本质的通用训练循环框架

通过​​标准化接口​​交互（所有RL库都遵循此设计）：

env = YourEnv()                  # 初始化环境（如gym.make("CartPole-v1")）
agent = YourAlgo()               # 初始化算法（如PPO("MlpPolicy", env)）

for episode in range(1000):      # 训练循环
    obs, info = env.reset()
    done = False
    while not done:   # 自动处理terminated/truncated
        action = agent.predict(obs)               # 决策（本质：状态→动作）
        next_obs, reward, terminated, truncated, info = env.step(action)  # 交互（本质：动作→奖励）
        agent.learn(obs, action, reward, terminated, next_obs)  # 学习（本质：奖励→策略更新）
        obs = next_obs

Agent​​, ​​Algorithm​​, ​​Environment​​之间的关系

Agent​​ 使用 ​​Algorithm​​ 在 ​​Environment​​ 中通过试错学习最优策略。

• 环境是规则验证场（提供反馈）
• 算法是学习规则（如何改进）
• 智能体是执行单元（做决策）

graph LR
    A[Agent] -->|执行动作| B[Environment]
    B -->|返回状态/奖励| A
    A -->|学习| C[Algorithm]
    C -->|更新策略| A

    style A fill:#f9f,stroke:#333
    style B fill:#bbf,stroke:#333
    style C fill:#9f9,stroke:#333