DQN解决cartpole原理

本文介绍了DQN在解决状态空间无限大的连续控制问题中的应用。传统的Q学习在面对大量状态时难以实现,而DQN通过神经网络作为Q表,解决了这一问题。DQN不仅利用神经网络拟合参数,还能通过强化学习的仿真生成数据。文中以CartPole问题为例,展示了DQN如何通过控制小车保持棒子竖立,详细解释了DQN与Q学习的区别,并概述了DQN的算法更新过程。
摘要由CSDN通过智能技术生成

标签(): 机器学习

当学习状态空间很大,例如围棋的学习中,由于状态空间过大导致Q表远远超过内存,所以在复杂学习情况下Q表更新并不适用。

取而代之的是用神经网络当做Q表使用,第一种神经网络是输入状态和动作,输出动作的评价值,第二种神经网络是输入状态输出所有动作和该动作的评价值,再从中选取评价高的动作进行决策。

算法更新:
Q ( S ′ ) 现 实 = R + γ ∗ m a x Q ( s ′ ) Q(S^{'})现实=R+\gamma*maxQ(s^{'}) Q(S)=

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值