强化学习（十三）DQN

原创 于 2025-05-29 17:20:20 发布 · 840 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #人工智能

传统的强化学习算法会使用表格的形式存储状态价值函数 V(s)V(s)V(s) 或动作价值函数 Q(s)Q(s)Q(s)<

了解本专栏 订阅专栏 解锁全文 超级会员免费看
强化学习（二）：价值函数
zkpeace
07-26 2137
本文章收录在黑鲸智能系统知识库-黑鲸智能系统知识库成立于2021年，致力于建立一个完整的智能系统知识库体系。我们的工作：收集和整理世界范围内的学习资源，系统地建立一个内容全面、结构合理的知识库。 作者博客：途中的树 书接上回强化学习（一）: Agent - Environment框架 强化学习中需要通过评估行为的价值来生成政策π\piπ,行为aaa 的价值可以用Q(a)Q(a)Q(a)来表示。 行为价值如何评估 行为价值方法可以对每个aaa设置一个值 评估来自环境的反馈，可以揭示出与情况sss和基.
强化学习之：价值学习Value-Based Learning
qq_42902997的博客
01-31 1472
Q∗statmax⁡πEUt∣StstAtatQ∗st​at​πmax​EUt​∣St​st​At​at​， 其中ata_tat​最初是从π\piπ中随机采样出来的sts_tst​是从状态转移函数ps′sap(s',s,a)ps′sa中随机采样出来的当确定了atsta_t, s_tat​st​之后就可以挑选出当前情况下最大的QQQ值Q∗st。
深入理解强化学习——强化学习智能体的四要素：价值函数（Value Function）
冯·诺依曼
10-16 3230
收益信号表明了在短时间内什么是好的，而价值函数则表示了从长远的角度看什么是好的。简单地说，一个状态的价值是一个智能体从这个状态开始，对将来累积的总收益的期望。例如，某状态的即时收益可能很低，但它仍然可能具有很高的价值，因为之后定期会出现高收益的状态，反之亦然。用人打比方，收益就像即时的愉悦（高收益）和痛苦（低收益），而价值则是在当前的环境与特定状态下，对我们未来究竟有多愉悦或多不愉悦的更具有远见的判断。价值函数的值是对未来奖励的预测，我们用它来评估状态的好坏。Q函数是强化学习算法里面要学习的一个函数。
强化学习深入学习（一）：价值函数和贝尔曼方程
日常学习与专研的记录
09-05 3756
本文介绍强化学习的基础概念，包含价值函数和贝尔曼方程。
强化学习学习（二）基于价值函数就能做到RL——Q-Learning Q学习
QinZheng7575的博客
07-24 913
“简单的”Q-Learning，其实背后蕴藏着非常有价值的数学推导。从价值函数开始，到Q矩阵再到隐式策略更新再到Q学习，每一步都有数学之美
基于深度强化学习(DQN)的混合动力汽车能量管理策略研究与应用
最新发布
04-05
内容概要：本文探讨了如何利用深度强化学习（DQN算法）优化混合动力汽车的能量管理系统。通过构建包含电池组和发动机发电机组（EGS）的混联结构，采用需求功率和电池电量（SOC）作为状态空间，将EGS输出功率离散化为...
精选资源
深度强化学习DQN车间排产调度优化算法+gym环境（python代码）
01-15
本文档提供了基于深度强化学习DQN算法的车间排产调度优化算法的Python实现代码。这套代码基于gym环境进行设计，gym是一个用于开发和比较强化学习算法的工具包，提供了大量的模拟环境。在这个环境中，可以通过定义的...
精选资源
DQN深度强化学习解决三维在线装箱问题python源码+项目说明.zip
04-08
DQN深度强化学习解决三维在线装箱问题python源码+项目说明.zip ## 问题描述 物流公司在流通过程中，需要将打包完毕的箱子装入到一个货车的车厢中，为了提高物流效率，需要将车厢尽量填满，显然，车厢如果能被100%填...
精选资源
python实现基于DQN深度强化学习解决三维在线装箱问题源码+文档说明（高分项目）
11-08
python实现基于DQN深度强化学习解决三维在线装箱问题源码+文档说明（高分项目）python实现基于DQN深度强化学习解决三维在线装箱问题源码+文档说明（高分项目）python实现基于DQN深度强化学习解决三维在线装箱问题...
详解强化学习中的DQN算法
学习与分享人工智能技术
11-27 2895
本文详细介绍了强化学习中的DQN算法原理及python实现过程。
强化学习基础概念03——价值函数
qq_40694497的博客
01-28 8485
目录 value function 价值函数 action value function，动作价值函数Qπ。 问题一： 问题二： 问题三： 问题四：（optimal action value function最优动作价值函数Q*） 问题五： Statevaluefunction状态价值函数，Vπ。 问题六： 问题七： value function 价值函数 上文定义了discounted return折扣回报。未来的奖励要打个折扣，越久远的未来折扣越大，权重越低。其中Ut是...
【深度强化学习】动作价值函数Q、状态价值函数V
qq_40718185的博客
12-16 6024
动作值函数（Action-Value Function）和状态值函数（State-Value Function）是强化学习中两个关键的价值函数，用于评估智能体的行为和状态。动作值函数关注在给定状态下采取某个具体动作的价值，而状态值函数关注在给定状态下按照某个策略行动的总体价值。动作值函数和状态值函数之间有关系，特别是在策略确定的情况下。这两个函数在强化学习中用于帮助智能体理解和优化其行为策略，以最大化累积回报。当且仅当智能体在状态。
强化学习过程笔记 （一） ReinforcementLearning 详解价值函数，剖析公式
qq_37576300的博客
10-12 1130
本系列博客参照学习笔记easy-rl by DataWhale，标题中的后半部分对应笔记中每章节。 附上链接：https://datawhalechina.github.io/easy-rl/x 本系列博客配合上笔记学习效果更佳，内容主要包含一些重要概念和笔者自己学习中对所遇到的难点疑点的思考。 强化学习的概念示意图： 对于一个强化学习agent，他可能由一个或多个的如下部分组成： Policy function agent会用这个函数来选取下一步 value fun...
强化学习入门：基本概念【MDP、策略、价值函数】
v20000727的博客
03-20 5041
本文介绍强化学习的基本概念，马尔可夫决策过程、回报、策略、价值函数（state value function and action value function)
强化学习（三）——价值函数近似
kmzy_hnu的博客
04-10 1568
Value Function Approximation 上一节介绍的求解强化学习问题的方法都归属于表格型方法，当问题规模很大时，求解会遇到几个问题： 太多的状态或动作需要保存在内存中 单独地求解某个状态的价值函数太慢 因此，当强化学习规模较大时，通常使用一些函数来近似价值函数，通过评估这些拟合函数来求解问题。其表达形式如下： V^(s,ω)≈V(s)Q^(s,a,ω)≈Q(s,a)π^(a,s,ω)≈π(a∣s) \hat{V}(s,\omega)\approx{V(s)} \\ \hat{Q}(s,
强化学习导论 第一章 ： 策略 价值函数 奖赏函数 环境等基本概念
滴墨成殇的博客
11-05 2595
这是最近读sutton的“reinforcement learning - An introduction”的读书笔记，其实大多数更像是按照自己理解写的中文翻译，可能语言有时没有那么严谨，主观因素多一点，更像是一种和自己的对话。希望各位看官多多包涵，如果想真正理解一些，最好对照着英文原本看，也许能看出自己的想法。 这次第一篇就写第一章。第一章是概述，更多的是从宏观上讲强化学习的一些概念和思想，虽然...
强化学习（2）：价值学习
m0_55308155的博客
07-15 1071
使用神经网络Q(s,a;w)来拟合函数。该神经网络的参数是w，输入是状态s，输出是对所有动作的打分。例如，超级玛丽游戏中，可以把屏幕画面作为输入，用卷积网络将输入映射成一个特征向量，再通过全连接层将特征映射成输出向量（即对动作的打分），从结果可知，此时Mario应该向上跳。此时，可以用DQN来操作agent玩游戏。当前观测到状态，DQN以为输入对所有动作打分，选出分数最高的动作，agent做出这个动作后，环境用状态转移函数来随机生成状态，同时环境也会告知当前动作对应的。
基于“蘑菇书”的强化学习知识点（一）：奖励函数（Reward Function）和价值函数（Value Function）的区别
xzs1210652636的博客
02-03 3020
在强化学习中，奖励函数（Reward Function）和价值函数（Value Function）是两个核心但作用截然不同的概念。以下是它们的详细区别及具体示例：
强化学习基础：强化学习分类，强化学习表示，值函数，策略迭代/值迭代, 主要的强化学习技术(蒙特卡洛学习/时间差分学习,DQN.,策略梯度/REINFORCE/AC系列算法)
weixin_36378508的博客
02-15 3181
强化学习
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

comli_cn

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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