经验回放可以帮我们解决一种类型的联系,即元组之间的连续经验。Q-Learning还会受到另一种联系的影响。R+gamma乘以下个状态的最大潜在值称为TD目标,我们目标是缩小和当前预测值Q值之间的差异。
这里的TD目标应该取代的是未知的真值函数qπ(S,A),它并不依赖于我们的函数逼近器或者其它参数,但是TD目标依赖这些参数w,意味着用真值函数qπ(S,A)替换在数学上是不成立的。当我们使用函数逼近时会显著影响学习效果,因为所有Q值都通过函数参数固有地联系在一起。
所以我们需要更改参数之间的联系
将用于生成目标的参数固定起来,用w-固定参数,学习过程中不更改w。在实践中将w替换为w-用它来生成目标和更改w并持续一定数量的学习步骤,然后使用最新的w更新w-,再次学习一定数量的步骤,这样使得目标和参数拆分开来,使学习算法更稳定,并且不太可能会发散或震荡。
DQN中固定参数的那个网络就是Target Netwrok,梯度下降的时候只调整左边神经网络的参数,更新了一定次数以后才把参数复制到Target Netwrok