761
个编辑
更改
→DQN 的主要改进算法
具体而言，网络的前几层共享，用于提取输入状态的特征；然后，网络分为两个分支：一个用于计算状态价值函数V(s)，另一个用于计算优势函数 A(s,a)。最后，两个分支的输出被合并，得到每个动作的 Q 值估计。这种结构使得网络能够更有效地学习到状态的价值和动作的优势，从而提高学习性能。
具体而言，网络的前几层共享，用于提取输入状态的特征；然后，网络分为两个分支：一个用于计算状态价值函数V(s)，另一个用于计算优势函数 A(s,a)。最后，两个分支的输出被合并，得到每个动作的 Q 值估计。这种结构使得网络能够更有效地学习到状态的价值和动作的优势，从而提高学习性能。
====Dueling DQN的优势====
====Dueling DQN的优势====
（3）提升泛化能力：Dueling 架构允许网络在未见过的环境中更快地推断出合理的 Q 值，增强了算法的泛化能力。
（3）提升泛化能力：Dueling 架构允许网络在未见过的环境中更快地推断出合理的 Q 值，增强了算法的泛化能力。
===DRQN===
===DRQN===