离散空间: 如果问题的状态和动作空间是离散的,Q-learning和SARSA是合适的选择。 连续空间: 如果问题具有连续的状态和动作空间,应该选择DQN。 4.2 实时决策和离线学习 实时决策: 如果需要实时决策,SARSA可能更合适。 离线学习: 如果可以离线学习,Q-learning和DQN是不错的选择。 结论 在选择强化学习算法时,需要考虑问题...
本质上来说,DQN做的事情和Q-Learning是一模一样的。只是DQN会用神经网络实现。 这里我们可以指出DQN和传统的Q-table形式的不同。同样是给定statestate和actionaction的数量,Q-table是通过一次次迭代完成填表。而DQN是输入state来估计所有的action的Q值。
DQN是Q-learning的深度学习扩展(Q-learning + Deep Learning),使用神经网络来估计Q值函数,来替代Q-learning的Q值表格。因此DQN可以处理高维、连续状态空间的问题。其中经验回放(replay buffer)和固定目标网络(target network)是DQN中两个重要的稳定训练过程的技巧。 经验回放(replay buffer)优点: This approach has seve...
Q learning和DQN的区别在于()A.以上都不对B.Qlearning是off-policy,DQN是on-policyC.Qlearning能处理连续动作,DQN不能D.DQN使用了神经网络和经验回放的答案是什么.用刷刷题APP,拍照搜索答疑.刷刷题(shuashuati.com)是专业的大学职业搜题找答案,刷题练习的工具.一键将文
Sarsa 与Q-learning 的区别仅仅在于, 更新Q-table 表里的某一项的时候, 是先走, 还是先计算更新而已。 没有大的区别。 再说DQN : DQN 在原先的Q-learning 上做了几个处理: 1. 在选择Action 的时候, 不是用 values.max; 而是用 predict().max
2.6 动作价值函数和状态价值函数的有什么区别和联系? (1)状态价值函数的输入是一个状态,它根据状态计算出当前这个状态以后的累积奖励的期望值是多少。 (2)动作价值函数的输入是状态-动作对,即在某一个状态采取某一个动作,同时假设我们都使用策略 $\pi$ ,得到的累积奖励的期望值是多少。
2.6 动作价值函数和状态价值函数的有什么区别和联系? (1)状态价值函数的输入是一个状态,它根据状态计算出当前这个状态以后的累积奖励的期望值是多少。 (2)动作价值函数的输入是状态-动作对,即在某一个状态采取某一个动作,同时假设我们都使用策略 $\pi$ ,得到的累积奖励的期望值是多少。