当前位置: 首页 > article >正文

【机器学习】机器学习的基本分类-强化学习-Deep Q-Network (DQN)

Deep Q-Network (DQN) 是 Q-Learning 的扩展版本,通过使用深度神经网络来逼近 Q 函数,解决了 Q-Learning 在高维状态空间上的适用性问题。DQN 是深度强化学习的里程碑之一,其突破性地在 Atari 游戏上表现出了超过人类玩家的水平。


DQN 的核心思想

DQN 使用一个神经网络 Q_\theta(s, a) 来逼近状态-动作值函数 Q(s, a)。通过不断地更新网络参数 θ\thetaθ,使其逼近真实的 Q^*(s, a)
其主要改进在于解决了传统 Q-Learning 中 不稳定性发散性 的问题。


DQN 的改进与关键技术

  1. 经验回放(Experience Replay)

    • 将智能体的交互数据存储到一个 回放缓冲区(Replay Buffer)中。
    • 随机采样小批量数据进行训练,以减少样本之间的相关性,提高数据利用率。
  2. 目标网络(Target Network)

    • 引入一个与主网络结构相同但参数固定的 目标网络 Q_{\theta'}(s, a)
    • 每隔一定步数,将主网络的参数 θ\thetaθ 同步到目标网络上,减缓更新的频繁波动。
  3. 奖励剪辑(Reward Clipping)

    • 将奖励值裁剪到 [-1, 1],防止过大值影响梯度更新的稳定性。

DQN 的工作流程

  1. 初始化

    • 初始化主网络 Q_\theta(s, a) 和目标网络 Q_{\theta'}
    • 初始化经验回放缓冲区 D。
  2. 采样交互数据

    • 当前状态 sss 下,按照 \epsilon-贪婪策略选择动作 a:

      • 以 ϵ 的概率随机探索。
      • 以 1−ϵ 的概率选择最大 Q_\theta(s, a)的动作。
    • 执行动作 a,观察即时奖励 R 和下一状态 s′。

    • 将 (s, a, R, s') 存入经验回放缓冲区 D。

  3. 更新网络参数

    • 从 D 中随机采样一个小批量 (s, a, R, s')。
    • 计算目标值(TD 目标):

                                              y = R + \gamma \max_{a'} Q_{\theta'}(s', a')
    • 计算均方误差(MSE)损失:

                                            L(\theta) = \mathbb{E}_{(s, a, R, s') \sim D} \left[ \left( y - Q_\theta(s, a) \right)^2 \right][(y−Qθ​(s,a))2]
    • 使用梯度下降更新主网络参数 θ。
  4. 同步目标网络

    • 每隔固定步数,将主网络的参数 θ 同步到目标网络 θ′。
  5. 迭代训练

    • 重复上述步骤,直到收敛。

伪代码

Initialize Q-network with random weights θ
Initialize target network Q_target with weights θ_target = θ
Initialize replay buffer D

for episode in range(max_episodes):
    Initialize state s
    for t in range(max_steps_per_episode):
        # ε-greedy action selection
        if random.random() < ε:
            a = random_action()
        else:
            a = argmax(Q(s, a; θ))

        # Execute action and observe next state and reward
        s', R, done = environment.step(a)

        # Store transition in replay buffer
        D.append((s, a, R, s'))

        # Sample random minibatch from replay buffer
        minibatch = random.sample(D, batch_size)

        # Compute target value
        y = R + γ * max(Q_target(s', a'; θ_target)) if not done else R

        # Compute loss and update Q-network
        loss = (y - Q(s, a; θ))^2
        Perform gradient descent on θ to minimize loss

        # Update target network
        if t % target_update_freq == 0:
            θ_target ← θ

        if done:
            break

优缺点

优点
  1. 高效处理高维状态空间:使用神经网络学习 Q(s, a),适用于图像等复杂输入。
  2. 数据利用率高:经验回放缓冲区减少了样本相关性,提高了数据效率。
  3. 稳定性增强:目标网络缓解了更新发散问题。
缺点
  1. 不适用于连续动作空间:DQN 假设动作空间是离散的。
  2. 样本效率低于新方法:如基于策略的算法和 Actor-Critic 方法。
  3. 容易过拟合到训练环境:需要精心设计探索策略。

改进版本

  1. Double DQN

    • 解决 DQN 中 max⁡ 运算导致的 值过高估计 问题。
    • 目标值:

                   y = R + \gamma Q_{\theta'}(s', \arg\max_{a'} Q_\theta(s', a'))
  2. Dueling DQN

    • 将 Q 网络拆分为 状态价值函数 V(s)优势函数 A(s, a)

                              Q(s, a) = V(s) + A(s, a)
  3. Prioritized Experience Replay

    • 通过为经验分配优先级,增加对高 TD 误差样本的采样频率。
  4. Rainbow DQN

    • 集成了多种改进,包括 Double DQN、Dueling DQN、Prioritized Replay、Noisy Networks 等。

应用场景

  1. Atari 游戏

    • 使用原始图像像素作为输入,DQN 在许多 Atari 游戏中实现了超越人类玩家的表现。
  2. 自动驾驶

    • 处理离散决策问题,如车道选择。
  3. 动态资源分配

    • 云计算中的任务分配和调度。
  4. 推荐系统

    • 优化用户交互中的点击率。

http://www.kler.cn/a/447867.html

相关文章:

  • 【机器学习与数据挖掘实战】案例04:基于K-Means算法的信用卡高风险客户识别
  • jvm栈帧中的动态链接
  • 【Windows版】opencv 和opencv_contrib配置
  • 在福昕(pdf)阅读器中导航到上次阅读页面的方法
  • 前端关于pptxgen.js个人使用介绍
  • Pytorch | 从零构建ResNet对CIFAR10进行分类
  • Tool之Excalidraw:Excalidraw(开源的虚拟手绘风格白板)的简介、安装和使用方法、艾米莉应用之详细攻略
  • 10.1k高星 GitHub 库:告别JSON错误:Outlines如何提升大模型的结构化输出
  • PHP阶段一
  • 分布式专题(8)之MongoDB存储原理多文档事务详解
  • Pycharm访问MongoDB数据库
  • 如何解决MQ消息积压问题?
  • 牛客网 SQL36查找后排序
  • 基于 Qt C++ 的滚动屏实现
  • Unity 碎片化空间的产生和优化
  • 本地训练controlnet网络详解——以官方fill50k数据集为例
  • 数据结构与算法再探(三)树
  • 本地电脑使用命令行上传文件至远程服务器
  • Pydantic 2.0 完整指南
  • k8s 创建密钥以及证书安装
  • Jackson 的@JsonRawValue
  • Python 自带的日期日历处理大师:calendar 库
  • Paimon 是什么?Apache Paimon简介
  • 项目2路由交换
  • 米思齐图形化编程之ESP32开发指导
  • PostgreSQL表达式的类型