本文详细介绍了深度强化学习中不同算法的适用场景和特点，包括DQN、DDPG、TD3、SAC、PPO等。在离散动作空间中，推荐D3QN；在连续动作空间，推荐TD3和SAC，而PPO因其稳定性和易于调参受到推崇。特别地，文章强调了MuZero在基于模型的强化学习中的重要地位。此外，还讨论了稀疏奖励、多智能体、分层强化学习等领域，并提供了算法选择的建议和学习曲线的评估标准。
赶时间请直接看加粗的四种算法，它们占据不同的生态位，请根据实际任务需要去选择他们，在强化学习的子领域（多智能体、分层强化学习、逆向强化学习也会以它们为基础开发新的算法）：
- 离散动作空间推荐：Dueling DoubleDQN（D3QN）
- 连续动作空间推荐：擅长调参就用 TD3，不擅长调参就用 PPO 或 SAC，如果训练环境 Reward function 都是初学者写的，那就用 PPO
没入门深度强化学习的人请按顺序学习以下算法：
- 入门深度学习 / 机器学习，用多层全连接层跑一下 MNIST 数据集
- 入门深度学习 / 深度学习框架，用卷积网络跑一下 MNIST-fashion 数据集
- 入门经典强化学习 Q-learning，离散状态、离散动作
- 入门深度强化学习 DQN（Deep Q-learning），连续状态、离散动作
- 入门深度强化学习 DDPG（Deep DPG），连续状态，连续动作
- 入门后，可以先从 TD3、SAC 和 PPO 三种算法开始用起
用于入门的算法只能用来入门
订阅专栏 解锁全文
扫一扫
6855
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
