本书介绍强化学习原理、算法及其实现。内容涉及基于模型的强化学习、基于采样-估计的强化学习、基于逼 近理论的强化学习及深度强化学习等。 本书以教学为目标进行选材，力求阐述严谨、重点突出、深入浅出，以便于教学与自学。 本书面向所有对强化学习感兴趣的读者，可作为高等学校理工科高年级本科生、研究生强化学习课程教材或 参考书。

本书旨在帮助读者在短时间内理解和运用强化学习。本书的主要特点是：点明问题，以问题为驱动组织内容；注重解释算 法的原理；语言力求简练与严谨。

强化学习是人工智能的核心内容之一。掌握强化学习需要概率与统计、运筹学、泛函分析等数学知识，而且强化学习发展迅速、知识更新快，这导致学习强化学习是一件有挑战性的事。本书旨在帮助读者在短时间内理解和运用强化学习。 本书的主要特点是：点明问题，以问题为驱动组织内容；注重解释算法的原理；语言力求简练与严谨。 本书主要包括以下内容：基于模型的强化学习、基于采样 -估计的强化学习、基于逼近理论的强化学习和深度强化学习。前三部分主要参考 Richard S. Sutton和 Andrew G. Barto的书 Reinforcement Learning: An Introduction以及 David Silver的课件。第四部分的深度学习参考了吴恩达的深度学习公开课以及 David Silver的深度强化学习讲义和相关论文。多智能体强化学习主要参考 Wang Jun等的论文。本书内容由柯良军统稿，王小强整理并解读了部分程序。在写作过程中，作者参考了《机器学习》《强化学习数学基础》以及《深入浅出强化学习》等相关书籍；同时，作者也大量阅读了网络资料。本书在吕同富的 Latex模板基础上用 TexLive写作。在此，作者对以上所有人员表示感谢！本书得到国家自然科学基金项目（编号： 61573277）的资助，在此表示诚挚感谢！ 作者综合各种素材重新组织内容，从不同的视角将强化学习呈现给读者，衷心希望读者开卷有益！ 柯良军 2019年 11月