强化学习之DQN算法

最新推荐文章于 2024-07-04 18:02:09 发布

雷克斯斑点兔

最新推荐文章于 2024-07-04 18:02:09 发布

阅读量1.1k

点赞数

分类专栏：强化学习文章标签：强化学习 DQN算法

本文链接：https://blog.csdn.net/weixin_41548113/article/details/86502561

版权

强化学习专栏收录该内容

0 篇文章 0 订阅

订阅专栏

DQN，Deep Q Network，是强化学习中一种强大的算法，Deep Mind团队凭借该算法，让计算机打败了人类围棋，刷新了人们对人工智能的认知。强烈推荐莫烦大神的强化学习入门课程，本文主要参考莫烦大神的课程进行总结。

论文：《Playing Atari with Deep Reinforcement Learning》https://arxiv.org/abs/1312.5602

参考代码：https://github.com/DiaoXY/DQN_tf

一、概述

现在的强化学习可以分为三类：policy gradient，value-base，Actor-Critic。其中DQN是value-base的代表，以DDPG为代表的Actor-Critic算法中既有value-base，也有policy网络。

Policy gradient的强化学习方法，通过感官分析所处的环境, 直接输出下一步要采取的各种动作的概率, 然后根据概率采取行动，每个动作都有可能被选择。value-base的强化学习方法输出的是所有动作的价值，选择最高价值对应的动作。对于连续动作空间，policy gradient可以利用一个概率分布在连续动作中选取特定动作，而value-base方法更适合离散动作空间。Actor-Critic方法结合了上述两种方法的优势，设定actor基于概率做出动作，critic会对做出的动作给出动作的价值，actor会根据critic给出的评分来修改行为的概率，加速了policy gradient的学习过程。

二、Q-Learning

2.1 Q-Learning决策过程

存在一张状态动作准则表Q值表，每次选择动作时，参照该表来选择某状态下对应Q值最大的动作即可。例如下表，假设我们现在处在状态S1，动作a2的价值要比a1高，所以我们做出判断，选择动作a2，执行完动作a2后我们处在状态S2，重复上面的操作，选择S2对应Q值最大的动作，重复上述决策过程。

Q值表
状态/动作	a1	a2	。。。
S1	-1	2	。。。
S2	2	4	。。。
。。。	。。。	。。。	。。。

2.2 Q-Learning的更新

在上述过程中，处在状态S1时，由于Q(s1,a2)大于Q(s1,a1)，所以执行动作a2后，获得对应的奖励 R，此时处于状态s2，这时开始更新用于决策的Q表，这个过程中我们并没有在实际中采取任何行为, 而是再想象自己在 s2 上采取了每种行为, 分别看看两种行为哪一个的 Q 值大, 比如说 Q(s2, a2) 的值比 Q(s2, a1) 的大, 所以我们把大的 Q(s2, a2) 乘上一个衰减值 gamma (比如是0.9) 并加刚刚到达状态S2时的奖励 R , 我们将这个{R+gamma*Q(s2,a2)}作为我现实中 Q(s1, a2) 的值, 但是我们之前是根据 Q 表估计 Q(s1, a2) 的值. 所以有了现实和估计值, 我们就能更新Q(s1, a2) , 根据估计与现实的差距, 将这个差距乘以一个学习效率 alpha 累加上老的 Q(s1, a2) 的值变成新的值{新Q(s1,a2)=老Q(s1,a2)+alpha*(现实与估计的差距)}. 但时刻记住, 我们虽然用 maxQ(s2) 估算了一下 s2 状态, 但还没有在 s2 做出任何的行为, s2 的行为决策要等到更新完了以后再重新另外做. 这就是 off-policy 的 Q learning 是如何决策和学习优化决策的过程.。

三、DQN算法

DQN是一种结合神经网络和Q-Learning的算法。在原始的Q-Learning方法中，采用表格的形式来存储每个状态对应各个动作的Q值，记为Q(s,a)，如果所有的Q值都应采用表格的形式保存的话，那是一件非常耗时且占用内存的事情。所以我们希望通过函数的形式来计算Q值，因此采用机器学习中神经网络来完成Q值的计算，将状态和动作作为神经网络的输入，经过神经网络分析就可以得到该状态下的每个动作对应的Q值，然后按照Q-Learning方法的决策原则，选择拥有最大Q值的动作作为下一步的动作。

3.1 DQN中的神经网络训练

强化学习不同于深度学习中，有大量带有“正确答案”的标签的样本，所以在训练神经网络时，只能通过Q-Learning方法的reward来构造“标签”。采用双网络的结构，一个估计网络（当前训练的网络）产生当前Q值，即Q估计；一个目标网络产生目标Q值，即Q现实。则神经网络的目标就是使得Q现实与Q估计的差值最小。

其中 $\theta$ 表示估计网络中的网络参数， $Q(s,a;\theta )$ 表示估计网络中当前状态s的Q估计值，TargetQ表示目标网络中的目标Q值，计算如下

$\theta _$ _表示目标网络参数，TargetQ表示目标网络产生的Q值，s'表示下一个状态，a'表示s'状态下对用最大Q值的动作。TargetQ对应的“标签”中的正确值，其实目标网络和估计网络的结构完全一样，不过蚕食更新速度不一样，目标网络中参数要比估计网络中的参数“旧”一点。通过Loss Function来训练更新当前网络，也就是估计网络的参数，经过N次迭代之后，将估计网络中的参数复制到目标网络中，因此目标网络在一段时间内的网络参数不会发生改变，可以有效地降低估计Q值与目标Q值的相关性，提高算法的收敛性。