内容简介 
        近几十年来，强化学习（RL）已经成为解决复杂控制任务的一种有效方法。在马尔科夫决策过程（MDP）这一典型的框架中，环境被认为是一个固定的实体，不能被外部改变。然而，在现实世界中，有几个场景的环境可以在有限的范围内被修改。 
        本书旨在正式确定和研究环境配置的不同方面。在传统的MDP中，代理人感知环境的状态并执行行动。结果是，环境过渡到一个新的状态并产生一个奖励信号。代理人的目标包括学习一个政策，即一个使长期奖励最大化的行动处方。尽管环境配置在实际应用中经常出现，但文献中对这一主题的探讨非常少。本书的贡献是理论的、算法的和实验的，可以大致细分为三个部分。第一部分介绍了新的可配置马尔科夫决策过程（Configurable Markov Decision Processes，Conf-MDPs）的形式主义，以模拟环境提供的配置机会。本书的第二部分侧重于合作性的Conf-MDP设置，并研究了寻找代理政策和环境配置以共同优化长期回报的问题。第三部分讨论Conf-MDP框架的两个具体应用：政策空间识别和控制频率适应。 
        所有使用RL作为其工作的一部分的人都会对这本书感兴趣。