更改

训练过程稳定性通过​​平均每局得分​​和​​预测Q值曲线​​得到验证，见图,[[文件:Q值训练.jpg|缩略图|预测Q值曲线，引自<ref name="dqn"></ref>|替代=|无]]<br>二者均随训练稳步上升，未出现传统Q学习的发散现象。奖励裁剪策略（正奖励+1，负奖励-1）则确保了不同游戏间学习率的一致性。

训练过程稳定性通过​​平均每局得分​​和​​预测Q值曲线​​得到验证，见图,[[文件:Q值训练.jpg|缩略图|预测Q值曲线，引自<ref name="dqn"></ref>|替代=|无]]<br>二者均随训练稳步上升，未出现传统Q学习的发散现象。奖励裁剪策略（正奖励+1，负奖励-1）则确保了不同游戏间学习率的一致性。

​​

​​

'''泛化与表征能力​​'''

'''泛化与表征能力​​'''

*'''Pong'''中，若球体接近球拍时选择"向下"动作，Q值实时降至-0.9，准确反映丢失球体的风险。

*'''Pong'''中，若球体接近球拍时选择"向下"动作，Q值实时降至-0.9，准确反映丢失球体的风险。

这些结果证明，DQN通过端到端训练构建的表征能同时支持​​感知泛化​​与​​长期价值推理​​。

这些结果证明，DQN通过端到端训练构建的表征能同时支持​​感知泛化​​与​​长期价值推理​​。

===机器人控制与路径规划===

===机器人控制与路径规划===