281
个编辑
更改
→使用神经网络逼近 Q 值函数
===使用神经网络逼近 Q 值函数===
===使用神经网络逼近 Q 值函数===
DQN提出用深度神经网络 <math> Q(s,a;θ) </math> 作为Q值的参数化近似函数：
<math> Q^{*}(s,a)≈Q(s,a;θ) </math>
其中：
输入：原始状态 s（如游戏画面像素矩阵）
输出：每个动作 a 对应的Q值（离散动作空间）
参数：θ 为神经网络的权重，通过梯度下降优化
核心意义：
端到端学习：直接从原始状态（如像素）映射到动作价值，无需手工设计特征。
泛化能力：相似状态共享神经网络的特征表示，提升样本利用率。
高维处理：卷积神经网络（CNN）可高效提取图像中的空间特征。
===经验回放（Experience Replay）机制===
===经验回放（Experience Replay）机制===