jianmo的博客

为解决这一问题，深度Q网络（Deep Q-Network，DQN）算法应运而生，其核心思想是用神经网络替代表格，通过函数拟合近似Q值函数，从而突破传统方法的局限性。总结来说，目标网络通过引入一个参数定期更新的独立网络，为策略网络的训练提供了一个相对稳定的目标，从而解决了在深度强化学习中因目标值频繁变化而导致的训练不稳定问题，是DQN算法能够成功应用的关键技术之一。，但是由于TD误差目标本身就包括神经网络的输出，在更新网络参数的同时目标也在不断改变，这就很容易造成神经网络训练的不稳定。，使得累积奖励最大化。

Q-Learning是一种基于值函数的强化学习算法，旨在学习最优策略。其核心是学习一个Q值表（Q-table），用于评估在给定状态下采取某个动作的期望回报。Q值（状态-动作值函数）表示在状态 s 下执行动作 a 后，智能体的期望累积奖励。