强化学习几个算法的绕口的改进技巧:
终于大致看懂了, Q-Learning, DQN, Nature DQN,DDQN 之间的区别和关系,比较绕口,先记录下来,不知后面又感到混淆时,能否通过这几句记录重新搞清楚。
Q-Learning:在 每轮step后,根据得到的 next_state,reward; 更新Q(s,a); y=reward+gama * Q(next_state,选择一个max action)
Q_new(s,a) = Q_old(s,a) + alfa * ( y-Q_old(s,a) )
所以在Q-Learning中,一直保存着一个大矩阵 Q(s,a)
DQN:当s是连续的,Q(s,a)矩阵就没法存在。 只能用 Q(s,a) 函数替代,特别地当 Q(s,a) 是用神经网络来近似,
就是DQN: deep learning Q network
算法训练时,先缓存一些 now_state, now_action, reward, next_state
然后抽样出来一批,根据 now_state 计算目标 y,
if is_stop, y=reward;
else y = reward+gama * max( Q(next_state, next_action); 其中选一个Q值最大的 next_action
然后,调整 网络参数w,使得 Q(now_state,now_action) 靠近 y
Nature DQN: 因为DQN中, 计算y值时使用当前的Q网络,而后又马上调整Q网络,用Q网络去选择下面的action,不容易收敛。
所以作如下改进, 在计算y时,用的Q1网络,Q1网络是Q网络的copy,但是不是实时更新,定期更新即可;
DDQN:上面 Nature DQN,在后面选择 maxQ值时用的 是 Q1( next_state, action),选择最大的Q1值;
DDQN作如下改进,选择next_action时,用Q(next_state,action) 选出最大的Q值的action_max,
再用这个action代入 Q1(next_state,action_max)来计算y;
[强化学习]强化学习几个算法的绕口的改进技巧
最新推荐文章于 2022-11-10 16:23:29 发布