基于Q值估计的深度Q网络学习方法的设计与实现.docxVIP

下载本文档

2
0
约2.9万字
约 39页
2023-12-16 发布于广东
举报
版权申诉

基于Q值估计的深度Q网络学习方法的设计与实现.docx

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于Q值估计的深度Q网络学习方法的设计与实现

摘要

强化学习是机器学习中主要用来解决序贯决策问题的一类方法，旨在通过智能体与环境的交互，即智能体做出动作，改变环境状态并获得相应的奖励，来使得智能体能够在不断“试错”的过程中反复对获得的经验进行学习，目的在于最大化累计奖励值。智能体在迭代学习的过程中按照一定的方法更新决策，最终形成最优决策，最终解决某一类问题。

本文基于深度Q网络算法和优先级经验回放技巧提出了新的强化学习算法。本文的工作主要是改进了优先级经验回放中存储经验的经验池存满之后经验溢出的方式。将先进先出的顺序弹出方式改为了弹出具有最小优先级的经验。这一改进使得经验池能够在较长周期内保