强化学习（3）：Deep Q Network（DQN）算法

最近自己会把自己个人博客中的文章陆陆续续的复制到CSDN上来，欢迎大家关注我的个人博客，以及我的github。

本文主要讲解有关 Deep Q Network（DQN）算法的相关内容。

DQN__6">1. DQN 的基本思想

传统的 Q-Learning 算法当 Q 表过大时不仅难以存储而且难以搜索，并且当状态是连续的话，用 Q 表存储是不现实的，这时可以用一个函数来拟合 Q 表，所以提出了神经网络和 Q-Learning 相融合的 Deep Q-Learning（DQN）算法，其中神经网络用来代替 Q 表，以获得状态和动作对应的 Q 值。

在 DQN 中将状态和动作作为神经网络的输入值，并得到相应的输出——对应的 Q 值。也可以只输入状态，输出所有的动作值，然后挑选值最大的动作作为下一步要采取的动作。

在对 NN 进行训练时，需要设置损失函数，但是在该问题中又是没有标签数据的。可以将损失函数设为：
$L(\theta)=E[(Q\_{target}-Q\_{evalue})^2]$
Q-target 和 Q-eval 就是 Q-Learning 算法中的对应值。该损失函数和 Q-Learning 算法中 Q 表更新公式的含义相同，都是用 Q-eval 逼近 Q-target。

DQN__18">2. DQN 的两大神器

（1）Experience replay（经验回放）：NN 的训练样本独立，而 RL 中的前后状态相关，所以需要做一点改动。因为 Q-Learning 是一个离线学习算法，所以在每次 DQN 更新时，可以随机选取一些过去的状态来进行学习。这种方式打乱了状态之间的相关性，可以使神经网络更有效率。

（2）Fixed Q-target（固定 Q-目标）：因为网络会不断的更新，所以相同 s 和 a 下的 Q-target 和 Q-eval 的值是不固定的，这样训练起来比较困难。所以可以将 Q-target 固定住，这样目标问题就变成了一个回归问题：用 Q-eval 去逼近 Q-target。

具体实现时，在 DQN 中使用两个结构相同但是参数不同的 NN，预测 Q-eval 的估值网络具有最新的参数，而预测 Q-target 的目标网络的参数则是之前的，隔一段时间才会更新参数（将估值网络的参数赋给目标网络）。这种方式降低了 Q-target 和 Q-eval 之间的相关性。