【机器学习】机器学习的基本分类-强化学习-Deep Q-Network (DQN)

Deep Q-Network (DQN) 是 Q-Learning 的扩展版本，通过使用深度神经网络来逼近 Q 函数，解决了 Q-Learning 在高维状态空间上的适用性问题。DQN 是深度强化学习的里程碑之一，其突破性地在 Atari 游戏上表现出了超过人类玩家的水平。

---

DQN 的核心思想

DQN 使用一个神经网络 来逼近状态-动作值函数 。通过不断地更新网络参数 θ\thetaθ，使其逼近真实的 。
其主要改进在于解决了传统 Q-Learning 中 不稳定性 和 发散性 的问题。

---

DQN 的改进与关键技术

1. 经验回放（Experience Replay）

   • 将智能体的交互数据存储到一个 回放缓冲区（Replay Buffer）中。
   • 随机采样小批量数据进行训练，以减少样本之间的相关性，提高数据利用率。

2. 目标网络（Target Network）

   • 引入一个与主网络