更改

Deep Q Network (查看源代码)

2025年5月31日 (六) 20:31的版本

删除31字节、 2025年5月31日 (六) 20:31

第595行：第595行：

===Atari 游戏中的应用与表现===

−

<ref>{{cite journal|last=Mnih|first=V.|last2=Kavukcuoglu|first2=K.|title=Human-level control through deep reinforcement learning|journal=Nature|year=2015|volume=518|pages=529–533|issue=7540|doi=10.1038/nature14236|pmid=25719670}}</ref>的作者在 49 款 Atria 游戏上进行测试，大多数达到了人类水平，并且有 43 款达到了 SOTA（最先进水平State-Of-The-~~Art）。图中~~ 100% 和 0% 分别代表人类水平和随机策略水平。

+

<ref>{{cite journal|last=Mnih|first=V.|last2=Kavukcuoglu|first2=K.|title=Human-level control through deep reinforcement learning|journal=Nature|year=2015|volume=518|pages=529–533|issue=7540|doi=10.1038/nature14236|pmid=25719670}}</ref>的作者在 49 款 Atria 游戏上进行测试，大多数达到了人类水平，并且有 43 款达到了 SOTA（最先进水平State-Of-The-Art）。图中 100% 和 0% 分别代表人类水平和随机策略水平。

[[文件:结果图.png|缩略图|居中]]

*性能表现

−

DQN在49款Atari 2600游戏上的测试结果，参见<ref>{{cite journal|last=Mnih|first=V.|last2=Kavukcuoglu|first2=K.|title=Human-level control through deep reinforcement learning|journal=Nature|year=2015|volume=518|pages=529–533|issue=7540|doi=10.1038/nature14236|pmid=25719670}}</ref>中Extended Data Table 2部分。其展现了突破性性能。在统一网络架构、算法和超参数的前提下，仅以原始像素和游戏分数为输入，DQN在43款游戏中超越了此前所有强化学习算法（如线性函数逼近和SARSA）。更显著的是，其表现达到人类专业玩家水平的75%以上的游戏中占29款（超过总数半数）。典型案例如：

+

DQN在49款Atari 2600游戏上的测试结果，参见<ref>{{cite journal|last=Mnih|first=V.|last2=Kavukcuoglu|first2=K.|title=Human-level control through deep reinforcement learning|journal=Nature|year=2015|volume=518|pages=529–533|issue=7540|doi=10.1038/nature14236|pmid=25719670}}</ref>。其展现了突破性性能。在统一网络架构、算法和超参数的前提下，仅以原始像素和游戏分数为输入，DQN在43款游戏中超越了此前所有强化学习算法（如线性函数逼近和SARSA）。更显著的是，其表现达到人类专业玩家水平的75%以上的游戏中占29款（超过总数半数）。典型案例如：

−

**Breakout中，DQN得分达401.2（随机策略为1.7，人类为31.8），相当于人类水平的1327%。其成功源于自主学会"挖隧道"策略：优先击碎侧边砖块，引导球体从后方破坏整列砖块。

**Pong以18.9分（人类9.3分）实现132%的人类水平，动作价值预测精准；

第623行：第622行：

*输出动作：离散动作空间（如前进、左转、右转），适用于导航和避障任务。

[[文件:应用于机器人路径规划.jpg|缩略图|基于DQN的机器人控制与路径规划算法示意图]]

+

===推荐系统中的策略优化===

DeepQ

281

个编辑