DQN（Deep Q - Network）原理举例说明

DQN（Deep Q - Network）原理举例说明

1. 基本概念回顾

DQN 结合了深度学习和 Q - learning 算法，用深度神经网络来近似 Q 值函数，解决传统 Q - learning 在处理高维状态空间时的局限性。Q 值表示在某个状态下采取某个动作所能获得的期望累积奖励。

以下是DQN和A3C的原理对比举例说明：

DQN（深度Q网络）

• 原理：用深度神经网络近似Q函数，通过经验回放和目标网络优化策略
• 举例：玩Flappy Bird游戏时：
  1. 输入当前画面（管道间距、小鸟位置等）
  2. 网络输出"跳跃"和"不跳跃"的Q值（预估奖励）
  3. 选择Q值高的动作执行（如判断当前高度该跳就跳）
  4. 记录动作结果（成功/失败）存入经验池
  5. 随机抽取历史经验训练网络，逐步修正Q值估计

A3C（异步优势Actor-Critic）

<