多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）是机器学习中的一个领域，研究多个智能体如何在共享环境中学习最优的交互方式。这一领域在现代生活中有着广泛的应用，包括自动驾驶、多机器人工厂、自动化交易和能源网络管理等。 本书是一部系统阐述多智能体强化学习理论与技术的权威著作，清晰而严谨地介绍了MARL的模型、解决方案概念、算法思想、技术挑战以及现代方法。书中首先介绍了该领域的基础知识，包括强化学习理论和算法的基础、交互式博弈模型、博弈中的不同解决方案概念以及支撑MARL研究的算法思想。随后，书中详细介绍了利用深度学习技术的现代MARL算法，涵盖集中训练与分散执行、价值分解、参数共享和自博弈等思想。本书还附带了一个用Python编写的MARL代码库，其中包括自包含且易于阅读的MARL算法实现。 本书技术内容以易于理解的语言解释，并通过大量示例进行说明，既为初学者阐明了MARL的概念，也为专业的读者提供了高层次的见解。

多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）是机器学习中的一个领域，研究多个智能体如何在共享环境中学习最优的交互方式。这一领域在现代生活中有着广泛的应用，包括自动驾驶、多机器人工厂、自动化交易和能源网络管理等。 本书是一部系统阐述多智能体强化学习理论与技术的权威著作，清晰而严谨地介绍了MARL的模型、解决方案概念、算法思想、技术挑战以及现代方法。书中首先介绍了该领域的基础知识，包括强化学习理论和算法的基础、交互式博弈模型、博弈中的不同解决方案概念以及支撑MARL研究的算法思想。随后，书中详细介绍了利用深度学习技术的现代MARL算法，涵盖集中训练与分散执行、价值分解、参数共享和自博弈等思想。本书还附带了一个用Python编写的MARL代码库，其中包括自包含且易于阅读的MARL算法实现。 本书技术内容以易于理解的语言解释，并通过大量示例进行说明，既为初学者阐明了MARL的概念，也为专业的读者提供了高层次的见解。

多智能体系统是分布式人工智能的一个重要分支。本书介绍了多智能体建模的基本理论与技术，将基于多智能体的模型应用于自然与环境、智能城市、交通、地理信息与空间智能、社会与民生、复杂网络等，涵盖了智能交通、智能城市、地理空间智能和人工智能社会等方面的系统智能建模与问题优化求解。 本书主要面向各高等院校本科人工智能专业、计算机等专业开设多智能体系统课程或相关专业开设人工智能的通识核心课程需求，也可以作为研究生、科研院所科技工作者及相关企业的工程技术人员阅读参考。

这是一本介绍用 OpenAI Gym 构建智能体的实战指南。全书先简要介绍智能体和学习环境的一些入门知识，概述强化学习和深度强化学习的基本概念和知识点，然后重点介绍 OpenAI Gym 的相关内容，随后在具体的 Gym 环境中运用强化学习算法构建智能体。本书还探讨了这些算法在游戏、自动驾驶领域的应用。 本书适合想用 OpenAI Gym 构建智能体的读者阅读，也适合对强化学习和深度强化学习感兴趣的读者参考。读者应具备一定的 Python 编程基础。

这是一本介绍用 OpenAI Gym 构建智能体的实战指南。全书先简要介绍智能体和学习环境的一些入门知识，概述强化学习和深度强化学习的基本概念和知识点，然后重点介绍 OpenAI Gym 的相关内容，随后在具体的 Gym 环境中运用强化学习算法构建智能体。本书还探讨了这些算法在游戏、自动驾驶领域的应用。 本书适合想用 OpenAI Gym 构建智能体的读者阅读，也适合对强化学习和深度强化学习感兴趣的读者参考。读者应具备一定的 Python 编程基础。

《强化学习》一书内容系统全面，覆盖面广，既有理论阐述、公式推导，又有丰富的典型案例，理论联系实际。书中全面系统地描述了强化学习的起源、背景和分类，各类强化学习算法的原理、实现方式以及各算法间的关系，为读者构建了一个完整的强化学习知识体系；同时包含丰富的经典案例，如各类迷宫寻宝、飞翔小鸟、扑克牌、小车爬山、倒立摆、钟摆、多臂赌博机、五子棋、AlphaGo、AlphaGo Zero、AlphaZero等，通过给出它们对应的详细案例说明和代码描述，让读者深度理解各类强化学习算法的精髓。《强化学习》案例生动形象，描述深入浅出，代码简洁易懂，注释详细。 《强化学习》可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对强化学习感兴趣的研究人员和工程技术人员阅读参考。

《强化学习》一书内容系统全面，覆盖面广，既有理论阐述、公式推导，又有丰富的典型案例，理论联系实际。书中全面系统地描述了强化学习的起源、背景和分类，各类强化学习算法的原理、实现方式以及各算法间的关系，为读者构建了一个完整的强化学习知识体系；同时包含丰富的经典案例，如各类迷宫寻宝、飞翔小鸟、扑克牌、小车爬山、倒立摆、钟摆、多臂赌博机、五子棋、AlphaGo、AlphaGo Zero、AlphaZero等，通过给出它们对应的详细案例说明和代码描述，让读者深度理解各类强化学习算法的精髓。《强化学习》案例生动形象，描述深入浅出，代码简洁易懂，注释详细。 《强化学习》可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对强化学习感兴趣的研究人员和工程技术人员阅读参考。

《强化学习（第2版）》作为强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。 《强化学习（第2版）》适合所有对强化学习感兴趣的读者阅读、收藏。

本书共有19章，分为六大部分，详细介绍了强化学习中各领域的基本理论和新进展，内容包括：MDP、动态规划、蒙特卡罗方法、批处理强化学习、TD学习、Q学习、策略迭代的小二乘法、迁移学习、贝叶斯强化学习、、一阶逻辑MDP、层次式强化学习、演化计算、预测性定义状态表示、去中心化的部分可观察MDP、博弈论和多学习器强化学习等内容，并阐述强化学习与心理和神经科学、游戏领域、机器人领域的关系和应用，后提出未来发展趋势及研究热点问题，有助于年轻的研究者了解整个强化学习领域，发现新的研究方向。本书适合作为高等院校机器学习相关课程的参考书，也可作为人工智能领域从业技术人员的参考用书。

本书从现代机器学习的视角介绍了统计强化学习的基本概念和实用算法。它涵盖了各种类型的强化学习方法，包括基于模型的方法和与模型无关的方法，策略迭代和策略搜索方法。