更改

*回放记忆库(Replay Memory)：创建容量为<math>N</math>的经验存储库<math>D</math>，用于缓存历史转移数据。

*回放记忆库(Replay Memory)：创建容量为<math>N</math>的经验存储库<math>D</math>，用于缓存历史转移数据。

*动作-价值函数网络：

*动作-价值函数网络：

**主网络<math>Q</math>：随机初始化网络参数θ，负责实时动作选择和价值估计。

**主网络<math>Q</math>：随机初始化网络参数<math>θ</math>，负责实时动作选择和价值估计。

**目标网络<math>Q^{-}</math>：初始参数<math>θ^{-}</math>，用于稳定化计算目标Q值。

**目标网络<math>Q^{-}</math>：初始参数<math>θ^{-}</math>，用于稳定化计算目标Q值。

**超参数设定：设置训练总回合数M、单回合最大步数T、目标网络同步频率<math>C</math>、折扣因子<math>γ</math>、探索率<math>ϵ</math>等。

**超参数设定：设置训练总回合数M、单回合最大步数T、目标网络同步频率<math>C</math>、折扣因子<math>γ</math>、探索率<math>ϵ</math>等。

*存储转移数据​​：将转移元组<math>(ϕ_{t},a_{t},r_{t},ϕ_{t+1})</math>存入回放记忆库<math>D</math>。

*存储转移数据​​：将转移元组<math>(ϕ_{t},a_{t},r_{t},ϕ_{t+1})</math>存入回放记忆库<math>D</math>。

*经验回放与网络更新​​：

*经验回放与网络更新​​：

**随机采样​​：从D中均匀抽取小批量转移<math>(ϕ_{j},a_{j},r_{j},ϕ_{j+1})</math>。

**随机采样​​：从<math>D</math>中均匀抽取小批量转移<math>(ϕ_{j},a_{j},r_{j},ϕ_{j+1})</math>。

**目标Q值计算​​： <math> y_{j} = r_{j} + γ /max _{a} Q^{-}(ϕ_{j+1}, a) </math>

**目标<math>Q</math>值计算​​： <math> y_{j} = r_{j} + γ /max _{a} Q^{-}(ϕ_{j+1}, a) </math>

**[https://baike.baidu.com/item/梯度下降?fromModule=lemma_search-box 梯度下降]​​: <math> ∇_{θ} 1/ {|B|} /sum (y_j-Q(ϕ_j,a_j;θ)^2 </math> ，B为batch数据

**[https://baike.baidu.com/item/梯度下降?fromModule=lemma_search-box 梯度下降]​​: <math> ∇_{θ} 1/ {|B|} /sum (y_j-Q(ϕ_j,a_j;θ)^2 </math> ，B为batch数据

*目标网络同步​​：每隔C步将主网络参数θ复制至目标网络Q^-，即θ^-←θ。

*目标网络同步​​：每隔<math>C</math>步将主网络参数<math>θ</math>复制至目标网络Q^-，即θ^-←θ。

==Q-Learning 基础==

==Q-Learning 基础==