DQN(深度Q学习)
通常,强化学习的设置由两部分组成,一个是智能体(Agent),另一个是环境(环境)。

强化学习是学习一个最优策略(policy),可以让智能体(Agent)在特定环境(Environment)中,根据当前状态(state),做出行动(action),从而获得最大回报(奖励)。
DQN要做的就是将卷积神经网络(CNN)和Q-Learning结合起来,CNN的输入是原始图像数据(作为状态State),输出则是每个动作行动对应的价值评估价值函数(Q值) 。
要走的迷宫矩阵

是一个5 * 6的矩阵其中0表示可走,1表示障碍物
现在把迷宫矩阵想象为一张图,高度为5,跨度为6,当走到(行,列)时,令迷宫矩阵在(行,列)处的值为2,当离开(行,列)时,迷宫矩阵在(行,列)处的值恢复为0
预处理
import numpy as np
import pandas as pd
import os
from collections import deque
from sklearn.utils import shuffle
from keras.losses import mean_squared_error
import copy
import random
from keras.models import Model, load_model
from keras.layers import Input, Dense, Reshape, Conv2D, Flatten
# 迷宫矩阵
maze = np.array(
[[0, 0, 0, 0, 0, 0, ],
[1, 0,

本文介绍了如何使用DQN(深度Q学习)解决走迷宫问题。DQN结合了卷积神经网络和Q-Learning,将迷宫矩阵视为状态,通过CNN学习最优策略。迷宫矩阵为5*6,0代表可行走,1表示障碍。智能体在环境中依据状态选择行动以最大化奖励。文章还涵盖了预处理、代理、环境、训练和预测模型的细节,以及最终结果。
最低0.47元/天 解锁文章
1485

被折叠的 条评论
为什么被折叠?



