QLearning和DQN

QLearning

QLearning是强化学习中的一种Value-Based算法，通过计算出一张Q-Table表，用来记录每种状态下采取每个动作能够获得的最大奖励，然后通过这张表就能找到每个状态下的最优动作，从而保证最后的收益最大化
参数：
actions：所有动作集合
learning_rate：学习率， 位于[0,1]之间，值越小，意味着旧的信息越重要
discount_factor：折扣因子，位于[0,1]之间，表示远见程度，值越小，意味着当下的奖励越比未来的奖励重要
epsilon：贪婪系数，位于[0,1]之间，采用贪心策略的概率
q_table：Q-Table表，用来记录每种状态下采取每个动作能够获得的最大奖励，初持状态全部为0

DQN（Deep Q Network）

QLearning问题：Q-Table的大小等于状态数量*动作数量。当状态和动作数量很多的时候，Q-Table就会变的很大，查找和存储都会消耗大量的时间和空间。
QLearning本质上是建立了个（状态+动作）与（在该状态下执行该动作所获得最大奖励）之间的映射关系，抽象来看就是在输入参数和输出参数之间建立了一种映射关系，而这恰好就是神经网络所擅长的，于是自然而然的想到能不能利用神经网络来取代Q函数的计算，进一步的，我们计算出Q-Table后还需要根据Q-Table来选择当前状态下的最优动作，那能不能直接实现当前状态到最优动作之间的端到端映射呢？这种方法就叫做Deep Q Network。

具体：
QLearning：Q(s,a)=Q(s,a)+alpha*[r+gammamaxQ(s’,a’)-Q(s,a)]
求解出一个函数来近似Q函数
f(s,a,w)≈Q(s,a)，w是一个参数矩阵，比如最简单的线性函数：
Q(s,a) ≈f(s,a,w)= w1s+w2a+w3
实际不可能这么简单，f应该是一个非常复杂的函数，所以可以采用神经网络来表示这个函数，神经网络可以从大量的样本数据中拟合出一个最相似的f来表示Q，而这需要一个前置条件：确定损失函数（判定f接近Q的标准）
借鉴QLearning的算法，利用r+gammamaxQ(s’,a’)-Q(s,a)来作为损失函数（因为我们的目标也是为了让Q值逼近目标Q值），即
r+gammamaxQ(s’,a’,w)-Q(s,a,w)
为了方便后期数学计算的方便，取个平方，最终
L(w)=E[(r+gammamaxQ(s′,a′,w)−Q(s,a,w))^2]
有了损失函数，那么就可以开始训练神经网络了

DQN与QLearning算法的不同点

• 用神经网络取代Q-Table来计算Q值，解决维度爆炸的问题
• 记忆库 ，用于存储过去的经验，记忆库有两个特点
  1. 随机抽取，可以移除数据之间的相关性。如果我们采用的不是随机抽取，有可能我们获取到的数据都是连续相关的，那么就可能出现训练的数据都是某个状态下的数据，那么训练就会失败，通过随机抽取，可以切断这种相关性，保证训练数据样本分布的均匀。
  2. 滚动更新，即用最新的记忆替换掉最老的记忆，因为我们的记忆库肯定是有限的，不可能无限存储记忆，因此需要对记忆进行更新，而正常的逻辑里面，新的记忆会比老的记忆更有价值（当然，这个并不是绝对的，也有可能老的记忆里面也有重要的经验，这个属于DQN后期的优化内容）
• 暂时冻结 q_target 参数 ，让目标固定，使神经网络更好的收敛

学习记录–引用自学长的微信朋友圈笔记加上自己的理解