RL Value-Based: off-policy DQN(Deep Q-Learning),on-policy

强化学习核心框架与经典算法演进:从Q-Learning到PPO的实践指南 如果你对“强化学习”的第一印象,还停留在AlphaGo战胜李世石、或者觉得它是一门高深莫测、需要深厚数学功底的“玄学”,那么这篇文章就是为你准备的。 事实上,强化学习(Reinforcement Learning, RL)的核心思想,远比想象中更贴近我们的直觉: 试错学习 。就像婴儿学步,通过不断尝试(迈步)、接收反馈(摔倒或站稳)、调整策略(调整重心和步伐),最终学会行走。强化学习就是让智能体(Agent)在一个环境(Environment)中,通过这种“行动-反馈-学习”的循环,自主学会完成特定任务的最 阅读详情

基于值的方法:V值,Q值。
有价值的是Q值方法,后续Value-Based,一般是指Q值。

Q-Learning,代表一大类相关的算法。

RL  Value-Based:  off-policy DQN(Deep Q-Learning), on-policy

Q Learning->Approximate Q-Learning -> Deep Q-Learning.

DQN(Deep Q-Learning):

Deep Q-Learning was introduced in 2013. Since then, a lot of improvements have been made.
So, today we’ll see four strategies that improve — dramatically — the training and the results of our DQN agents:

  • raw DQN  & fixed Q-targets
  • double DQNs
  • dueling DQN (aka DDQN)
  • Prioritized Experience Replay ( PER)

DeepMind 2013,DQN  &  Fixed Q-Targets
Playing Atari with Deep Reinforcement Learning, NIPS 2013
https://arxiv.org/abs/1312.5602

Human Level Control Through Deep Reinforcement Learning, Nature 2015
https://storage.googleapis.com/deepmind-media/dqn/DQNNaturePaper.pdf
Code:
https://sites.google.com/a/deepmind.com/dqn/

DeepMind 2015,Double DQN
Deep Reinforcement Learning with Double Q-learning,  AAAI 2016
https://arxiv.org/abs/1509.06461

DeepMind 2015,Prioritized Experience Replay,PER,
Prioritized Experience Replay,  https://arxiv.org/abs/1511.05952 ,ICLR 2016

DeepMind 2015,Dueling DQN,
Dueling Network Architectures for Deep Reinforcement Learning , ICML 2016
https://arxiv.org/abs/1511.06581

=================

Alpha Go, 2016-2017
Mastering the game of Go with deep neural networks and tree search.   Nature 2016
https://storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf

Mastering the game of Go without human knowledge.    Nature 2017
https://www.nature.com/articles/nature24270.epdf
http://augmentingcognition.com/assets/Silver2017a.pdf
https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/slides/cs885-lecture14a.pdf
https://discovery.ucl.ac.uk/id/eprint/10045895/1/agz_unformatted_nature.pdf

Robot 2016,
Levine, S., Pastor, P., Krizhevsky, A., and Quillen, D. (2016).
Learning hand-eye coordination for robotic grasping with large-scale data collection
https://arxiv.org/abs/1603.02199

drone control 2017,
Kahn, G., Zhang, T., Levine, S., and Abbeel, P. (2017).
PLATO: policy learning using adaptive trajectory optimization, in Proceedings of IEEE International Conference on Robotics and Automation (Singapore), 3342–3349.
https://arxiv.org/abs/1603.00622

============================================

Ref:
https://zhuanlan.zhihu.com/p/107172115
https://theaisummer.com/Taking_Deep_Q_Networks_a_step_further/

https://www.freecodecamp.org/news/improvements-in-deep-q-learning-dueling-double-dqn-prioritized-experience-replay-and-fixed-58b130cc5682/

https://cugtyt.github.io/blog/rl-notes/201807201658.html

深度增强学习(DRL)漫谈 - 从DQN到AlphaGo
https://blog.youkuaiyun.com/jinzhuojun/article/details/52752561

强化学习之DQN进阶的三大法宝(Pytorch)
https://blog.youkuaiyun.com/MR_kdcon/article/details/111245496
DQN三大改进
https://cloud.tencent.com/developer/article/1092132
https://cloud.tencent.com/developer/article/1092124
https://cloud.tencent.com/developer/article/1092121
使用Python的OpenAI Gym对Deep Q-Learning的实操介绍
https://blog.youkuaiyun.com/tMb8Z9Vdm66wH68VX1/article/details/90306841

请问DeepMind和OpenAI身后的两大RL流派有什么具体的区别
https://www.zhihu.com/question/316626294

强化学习新手入门:从PPO、DQN到A3C,算法选择与实战指南 1. 先搞清楚强化学习到底在解决什么问题,以及为什么新手应该从这里开始 如果你刚接触强化学习,看到 PPO、DQN、A3C 这些算法名字,第一反应可能是“这么多,我该学哪个?”。很多教程一上来就堆砌公式和算法对比,反而让人更迷糊。作为过来人,我的建议是: 先别急着钻算法细节,你得先弄明白强化学习这个框架到底在解决哪一类问题,以及为什么它值得你花时间。 强化学习(Reinforcement Learning, RL)的核心思想非常直观:一个智能体(Agent)在一个环境(Environment)里,通过不断试 阅读详情

相关推荐

顶尖高校强化学习课揭示的RL认知框架与工程落地本质

强化学习(RL)不仅是算法实现,更是融合最优控制、决策理论与认知科学的系统性智能范式。其核心原理植根于马尔可夫决策过程(MDP)、策略梯度与探索-利用权衡等基础概念,技术价值在于 bridging simulation-to-reality gap,支撑机器人控制、自动驾驶与自适应AI等高可靠性场景。真实落地中,reward shaping、GAE优势估计、target network同步等关键设计均非调参技巧,而是对物理约束、信息时效性与价值对齐的工程响应。本文基于伯克利CS285、斯坦福CS234与UC

weixin_30564901的博客 461

强化学习小总结

主要是参考https://blog.youkuaiyun.com/jinzhuojun/article/details/72851548 value based和policy based的优缺点 在RL任务中,我们本质上最终要学习的是策略(Policy)。前者用的是间接方法,即通过学习值函数(value function)或者动作值函数(action-value function)来得到policy。而后者...

Hesy_H的博客 1374

一文搞懂AI三大分支:机器学习、深度学习与强化学习

机器学习、深度学习、强化学习不是三个孤立的“技术赛道”,而是同一套“从数据中学习”思想在不同问题设定下的具体展开。作为工程师,不必纠结于“我该学哪个”,而应该问“我的问题适合哪种范式”。工具是为问题服务的,而不是反过来。在这个AI技术日新月异的时代,理解原理的深度决定了你能走多远,而解决问题的广度决定了你能走多宽。希望这篇文章能帮你建立起清晰的认知框架,在后续的AI工程实践中少走弯路。推荐阅读。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 263

【RL】--Value-Based与Policy-Based的区别

1. 生成policy上的差异:一个随机,一个确定 Value-Base 中的 action-value估计值最终会收敛到对应的true values(通常是不同的有限数,可以转化为0到1之间的概率),因此通常会获得一个确定的策略(deterministic policy) Policy-Based不会收敛到一个确定性的值,另外他们会趋向于生成optimal stochastic policy。如...

xgyyxs的博客 9598

PyTorch强化学习实战(6)——交叉熵方法详解与实现

在本节中,介绍了交叉熵方法,尽管有其局限性但简单高效。我们将其应用于 CartPole 环境,并讨论了强化学习方法的分类体系——不同方法具有的特性差异将影响其适用场景。

盼小辉丶的博客 837

深度强化学习+ROS:移动机器人导航避障实战源码解析

移动机器人导航避障是智能机器人领域的核心问题,传统基于代价地图的规划方法在动态环境中常出现摆动甚至失效。深度强化学习通过智能体与环境交互学习策略,无需显式建图,为复杂场景下的导航提供了新思路。DQN、PPO、SAC等算法各有特性:DQN适合离散动作,PPO稳定可靠,SAC样本效率高且轨迹平滑。在Gazebo仿真环境中,结合激光雷达与里程计数据,智能体可学习输出线速度与角速度实现避障。这类源码项目为算法对比和工程实践提供了统一平台,使研究者能直观分析不同强化学习算法在导航任务中的表现,也为从传统方法转向学习型

weixin_29045001的博客 257

机器学习方法篇(25)------RL价值学习方法

● 每周一言 对待别人的轻视,最好的回击是站在更高的位置。 导语 上一节讲了如何理解增强学习中的马尔科夫决策过程,并举了具体的例子来描述其求解方法,对算法熟悉的人或许已经看出上节示例中使用的方法是动态规划学习法。那么,除了动态规划法,增强学习的价值学习方法还有哪些?这些方法的不同之处又是什么? RL价值学习方法 动态规划(Dynamic Programming)是一种解决复杂问题的算法,...

对半独白 1305

Python+Vue计算机毕业设计风电场监控系统的设计与实现7bd6i(程序+LW+源码+部署)

Python3.7.7+Django+Mysql5.7+pip list+HBuilderX(Vscode也行)+Vue+Pychram社区版。2. 前端:vue+css+javascript+jQuery+easyUI+highcharts。2.IDE环境:Python和Python 社区版都可以。Django + Vue +Python+Mysql 等等组成,B/S模式等等。该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程。1. 后端:Python、Vue、Django、Mysql。

华信计算机毕设源码程序 340

【RL】价值的定义

本章中,我们要介绍最优控制问题,即在假定环境完全已知的情况下解MDP。这个过程中,我们不需要产生数据,只需要对给定的PPP与RRR通过“解方程”的方式解出最佳控制。 要注意的是,由于MDP是非退化的、需要持续多步。所以,即使我们完全已知环境,求出最优策略也不是一件容易的事情,而这也正是最优控制中我们要研究的内容。研究环境已知的MDP对于我们有什么帮助呢?我们说过,强化学习算法中,我们需要与环境交互、产生服从环境分布的数据,并利用这些数据算出最优策略。但是,现在假定我们非但有“服从环境分布的数据”,而是直接就

爱吃猫的小鱼干 588

ZEMAX学习 6.一个照相物镜的设计

曲线越平滑表示场曲越小,曲线越接近水平,系统边缘与中心对比度越接近,虚实越接近表示色差和色散越好;第1个面设计不合理,出现前后表面相交的情况,点击第1面厚度,选择边缘厚度,设置为0.1,第1面厚度被控制在0.1mm厚,系统根据这一设置始终保持第1面边缘厚度为0.1mm。要求:设计一个照相物镜,焦距f=9mm,F#为4,视场角40°;添加有效焦距操作数EFFL 9mm 权重为1,设置优化变量,如下图,ctrl+shift+o打开优化界面。报告中系统数据有效焦距为67.381mm,设计要求为9mm;

qq_24542783的博客 4709

最新首发——boss直聘爬虫

本文介绍了使用Python开发Boss直聘爬虫的核心思路和技术要点。通过模拟浏览器访问搜索页面获取Cookie,然后构建API请求获取职位数据。关键步骤包括:1)使用DrissionPage库初始化浏览器;2)模拟用户浏览行为获取必要参数;3)设置完整的请求头信息;4)通过POST请求获取JSON格式的职位数据。文章提供了详细的代码实现,包括浏览器模拟、API请求构建、数据处理等核心功能模块,并强调了最新版接口改为POST访问的特点。该爬虫可自动翻页采集数据并保存为Excel文件,适用于安全实习等职位信息的

2301_79735033的博客 3314

Value-based RL和Policy-based RL介绍和区别

根据上面的内容,Value-based和Policy-based的概率应该大体有些了解了,另外对于不确定性和确定性策略应该也能区分了,这几个概念是刚学习强化学习绕不过去的。

civiljiao的博客 2262

图像去雾常见数据集

上述数据集涵盖了室内、室外、真实和合成等多种场景,可以满足不同研究需求。在选择数据集时,建议根据具体任务的应用场景和目标选择合适的数据集,例如真实雾天图像适合模型的实际应用验证,而合成数据则适合模型的快速迭代和训练。希望本文能为从事图像去雾研究的朋友提供一些帮助!

m0_68604571的博客 6333

An Casual Overview of Reinforcement Learning

强化学习概览 This overview is largely based on this article:https://medium.com/@SmartLabAI/reinforcement-learning-algorithms-an-intuitive-overview-904e2dff5bbc. Model-based vs Model free Model: world...

tangwing的专栏 672

用Python玩转Carla-Apollo联合仿真:手把手教你实现自动驾驶测试

本文详细介绍了如何使用Python实现Carla-Apollo联合仿真,从环境搭建到自动驾驶算法测试的全流程。通过Carla提供的高逼真仿真环境和Apollo的自动驾驶算法栈,开发者可以高效验证感知、规划和控制模块。文章包含环境配置、Python API操作、桥接实现及实战测试,为自动驾驶开发提供完整解决方案。

wasm7browser的博客 266

Qt实现思维导图功能5『纵向分布模式』

思维导图纵向分布模式:模式一

浮生流年的博客 1055

强化学习知识集锦

TD: 时序差分学习(Temporal Difference Learning)

qq_43854103的博客 187

cesium 深度图(获取区域最高最低点位)

文章摘要: Cesium深度图技术可用于获取区域地形高程数据,核心实现步骤包括:1)通过离屏相机构建独立渲染环境,使用正交投影确保采样精度;2)采用离屏渲染技术获取均匀分布的地形点数据。关键技术点包含多边形外包矩形计算、后台相机配置(5km高度正交投影)、1024×1024像素离屏视图设置,以及深度数据解析(RGBA格式转换和三维坐标还原)。该方法避免了主视图干扰,可精准获取区域内地形高程信息,为填挖方分析等应用提供基础数据支持。

God's asylum的博客 283

CS285 深度强化学习(六):Value-based 方法——DQN 家族

本文介绍了深度强化学习中的价值基方法(Value-based Methods),重点解析了DQN(Deep Q-Network)及其改进算法。主要内容包括: 从Q-learning基础出发,阐述了最优Q函数和表格型Q-learning的局限性,指出神经网络函数逼近的必要性。 详细分析了DQN的两大核心技术: 经验回放(Experience Replay):通过存储和随机采样经验打破数据相关性 目标网络(Target Network):使用独立的目标网络解决训练目标不稳定的问题 介绍了DQN的多种改进版本,如

weixin_52694742的博客 713

2024年数字IC秋招-华为机试-数字芯片-实习笔试题

笔试题目:40个选择题A.综合时不同文件列表内的宏定义仅在本列表生效B.宏定义会覆盖,不需要单独undefC.仿真时出现宏定义冲突以最后一次值为准D.宏定义最好在各文件中随用随定义A.4/9B.4/6C.01D.0/6。

qq_42135020的博客 2891

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

强化学习极简入门:通俗理解MDP、DP MC TD和Q学习、策略梯度、PPO

强化学习里面的概念、公式,相比ML/DL特别多,初学者刚学RL时,很容易被接连不断的概念、公式给绕晕,而且经常忘记概念与公式符号表达的一一对应(包括我自己在1.10日之前对好多满是概念/公式的RL书完全看不下去,如今都看得懂了,故如果读文本之前,你正在被RL各种公式困扰,相信看完这篇RL极简入门后就完全不一样了)。

结构之法 算法之道 14万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

{机器学习}【Reinforcement Learning】

常识性知识: RL学习的转移过程图示(机器就是agent)   agent 选择一个action输入到environment中,envirment会反馈(输出)一个reward和转移到的state,agent再根据这些信息选择新的action 基本框架 agent 根据 environment 选择 action,通过这个action 改变 environment,根据environm...

菜就得多学 544

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

深度强化学习实战指南:从PPO、DQN算法原理到调参部署全解析

这类课程标题看着很吸引人,但真正想学的人,最该关心的不是“100集”这个数字,而是这套内容能不能帮你把强化学习从“知道概念”变成“能动手、能调参、能解决实际问题”。深度强化学习(DRL)这几年在游戏AI、机器人控制、推荐系统里应用很广,但它的学习曲线很陡,很多人卡在理论看不懂、代码跑不通、效果调不出来这几个环节。 一个能帮你“学完即可就业”的课程,核心价值不在于覆盖了多少算法名字,而在于它是否解决了这三个实际问题: 1. 把数学公式和代码实现真正对应起来 ; 2. 给出可复现、可修改的实战项目环境 ; 3.

weixin_33910137的博客 509

永恒python强化材料_强化学习 Reinforcement Learning (莫烦 Python 教程)

https://www.bilibili.com/video/BV13W411Y75P?p=9Q-Learning 说到不一定做到Sarsa:说到做到Q-learning 是一个更勇敢的算法q-learning:sarsa:https://www.bilibili.com/video/BV13W411Y75P?p=9【强化学习】强化学习分类在学习强化学习的过程中我们经常会遇到一些陌生的名词分类,什...

weixin_39928667的博客 180

强化学习概览

RL分类: value based, policy based, actor critic. 一、value based. Q-learning Q表示的是,在状态s下采取动作a能够获得的期望最大收益,R是立即获得的收益,而未来一期的收益则取决于下一阶段的动作。 更新公式 Q(S,A) ← (1-α)*Q(S,A) + α*[R + γ*maxQ(S',a)], alpha 是学习...

weixin_34007020的博客 115

构建自我进化的多模态搜索代理:在线策略数据进化实战

在人工智能领域,强化学习中的On-Policy(同策略)学习是一种让智能体从其自身与环境的实时交互中学习的方法,它解决了传统Off-Policy学习因数据分布不匹配导致的策略失效问题。这一原理的核心技术价值在于,它能使模型持续适应动态变化的环境,实现策略与数据的协同进化。在搜索与推荐等应用场景中,结合多模态理解技术,系统能够从海量的视觉、文本等原生多模态内容中,根据用户实时反馈(如点击、停留)自动优化,从而构建出越用越聪明的深度搜索代理(Deep Search Agents)。这种范式转变,使得智能体不再是

weixin_33857679的博客 416
上一篇: DSSM:Deep Structured Semantic Models
下一篇: RL-总结
WorldModel
博客等级 码龄27年 23粉丝 75原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值