上一篇博客中 我们讲述了马尔可夫决策过程中的策略优化及相关问题，在这一篇博客中我们将讲述Q-learn方法，以及深度强化学习的相关概念
六.Q-learn
QLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。
为了解决上述问题，即平衡策略学习中的探索与利用的关系，我们引入贪心策略
ϵ−greedy 算法
事实上，对于局部最优的动作a∗
，其被选择的概率最大，其余的动作概率都为 ϵ/∣A∣。
这种贪心策略有一个问题：虽然每个动作都有被选择的概率，但是这种选择太过于随机，有一些（状态-动作）二元组应该是可以达到全局最优，但由于初始化的原因，使得它被访问的概率很低，这并不能有助于智能体很大概率的发现最优动作。
七.深度强化学习
7.1 简介
深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。
深度学习具有较强的感知能力，但是缺乏一定的决策能力;而强化学习具有决策能力，对感知问题束手无策。因此，将两者结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路
7.2 训练策略
7.3 DQN算法
DQN算法融合了神经网络和Q learning的方法， 名字叫做 Deep Q Network。
DQN 有一个记忆库用于学习之前的经历。在之前的简介影片中提到过， Q learning 是一种 off-policy 离线学习法， 它能学习当前经历着的， 也能学习过去经历过的， 甚至是学习别人的经历. 所以每次 DQN 更新的时候， 我们都可以随机抽取一些之前的经历进行学习. 随机抽取这种做法打乱了经历之间的相关性， 也使得神经网络更新更有效率。Fixed Q-targets 也是一种打乱相关性的机理， 如果使用 fixed Q-targets， 我们就会在 DQN 中使用到两个结构相同但参数不同的神经网络， 预测 Q 估计 的神经网络具备最新的参数， 而预测 Q 现实 的神经网络使用的参数则是很久以前的。有了这两种提升手段， DQN 才能在一些游戏中超越人类。
7.4 深度Q学习的两个不稳定因素
解决方案
经验重现
目标网络
参考：
