李宏毅深度强化学习(国语)课程(2018)
李宏毅深度强化学习(国语)课程(2018)_哔哩哔哩_bilibili
在Q Learning里面,只要能够estimate出Q function就能够保证你能够improve 你的policy,estimate Q function是一个regression(回归)问题,可以轻易的知道model是不是learn的越来越好。但是Q learning不太容易处理Continuous Action。
解决方法一:采样一系列行动,看哪个行动会返回最大的Q值,将其变成有限动作的问题。但是这种方法的缺点就是采样不完整。
解决方法二:使用梯度上升来解决这个优化问题(具有较高的计算成本),但是这样做的缺点使计算量过大。
第三种解决方法:设计一个网络来使得这个优化过程更简单。可以有三个输出μ(s),Σ(s),V(s),再用矩阵运算的方法将他们算到一起。右边第一项的值越小,Q的值越大。μ就是gaussian的mean,∑就是gaussian的variance。由于右边是正定的,又有一负号。所以让a=μ。
第四种方法,就是不适用Q Learning,还会有别的方法来解决连续动作的问题。