761
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − 词条Deep Q-learning + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
1.背景
1.背景
1.1 强化学习的基本概念与挑战
1.1 强化学习的基本概念与挑战
1.2 Q-Learning 简介
1.2 Q-Learning 简介
1.3 深度学习与强化学习的融合背景
1.3 深度学习与强化学习的融合背景
1.4 DQN 的提出及其在 Atari 游戏中的突破性成果
1.4 DQN 的提出及其在 Atari 游戏中的突破性成果
2.Q-Learning 基础
2.Q-Learning 基础
2.1 马尔可夫决策过程（MDP）简介
2.1 马尔可夫决策过程（MDP）简介
2.2 Q 值函数的定义与更新公式
2.2 Q 值函数的定义与更新公式
2.3 ε-greedy 策略与探索-利用权衡
2.3 ε-greedy 策略与探索-利用权衡
2.4 Q-Learning 的收敛性
2.4 Q-Learning 的收敛性
2.5 Q-Learning 的局限性（如状态空间维度高、Q 表存储问题）
2.5 Q-Learning 的局限性（如状态空间维度高、Q 表存储问题）
3.DQN 的核心思想与结构
3.DQN 的核心思想与结构
3.1 使用神经网络逼近 Q 值函数
3.1 使用神经网络逼近 Q 值函数
3.2 经验回放（Experience Replay）机制
3.2 经验回放（Experience Replay）机制
3.3 目标网络（Target Network）的引入与参数更新策略
3.3 目标网络（Target Network）的引入与参数更新策略
3.4 DQN 的训练流程与伪代码
3.4 DQN 的训练流程与伪代码
4.DQN 的关键技术细节
4.DQN 的关键技术细节
4.1 输入状态的预处理与特征提取（如图像处理）
4.1 输入状态的预处理与特征提取（如图像处理）
4.2神经网络架构设计（如卷积神经网络）
4.2神经网络架构设计（如卷积神经网络）
4.3 损失函数的定义与优化方法
4.3 损失函数的定义与优化方法
4.4 训练中的稳定性问题与解决方案
4.4 训练中的稳定性问题与解决方案
5.DQN 的主要改进算法
5.DQN 的主要改进算法
5.1 Double DQN：解决 Q 值过高估计问题
5.1 Double DQN：解决 Q 值过高估计问题
5.2 Dueling DQN：分离状态价值与优势函数
5.2 Dueling DQN：分离状态价值与优势函数
5.3 Prioritized Experience Replay：优先经验回放机制
5.3 Prioritized Experience Replay：优先经验回放机制
5.4 +RNN DRQN
5.4 +RNN DRQN
6.DQN 的应用领域
6.DQN 的应用领域
6.1 Atari 游戏中的应用与表现
6.1 Atari 游戏中的应用与表现
6.2 机器人控制与路径规划
6.2 机器人控制与路径规划
6.3 推荐系统中的策略优化
6.3 推荐系统中的策略优化
7.DQN 的局限性与挑战
7.DQN 的局限性与挑战
7.1 对连续动作空间的处理困难
7.1 对连续动作空间的处理困难
7.2 训练过程中的样本效率问题
7.2 训练过程中的样本效率问题
7.3 策略收敛速度慢与稳定性问题
7.3 策略收敛速度慢与稳定性问题
7.4 泛化能力与过拟合风险
7.4 泛化能力与过拟合风险
8.参考文献与延伸阅读
8.参考文献与延伸阅读