Q learning进阶：Double DQN和 Dueling DQN

1. Double DQN

DQN中很容易对Q-value的值过度估计。因为会倾向于选择表现好的当前action，往往这个action是过高估计的。

Double DQN中有两个Q函数，Q和Q’(Target network)

如果Q被过高估计，Q’很有可能不对它有过高估计，给予适当的值。

如果Q’被过高估计，Q也不会按照Q’选择action，两者相互有制约。

Double DQN很好的解决了对于Q值过高估计的问题，实验中，蓝色曲线是Double DQN的Q的值，与实际值更加接近。

2. Dueling DQN

一般的，Q-learning 的输出是Q值，但是Q值一直很不稳定，那么，如果把Q值拆开（里面有不稳定的部分和稳定的部分），是不对结果更加好呢？我们只改变一点网络架构：

V(s)的细小改变，会改变整个Q的结果。

3. “经历的重点”：Prioritized Reply

典型的Q-learning中，有experience buffer的模块，可以针对以前的经历进行离线学习。

但是经历非常多，有没有重点呢？ 所有的记忆都是有用的吗？Prioritized Reply就是为我们解决这个问题。提升训练的质量。
较大的TD error的经历，很sample到的概率会相对比较高。

4. 平衡MC和TD：Multi-step

我们的思路是把一步的经历，做成多步的经历。

5. Noisy Net

Noisy Net 的概念几乎同时被openAI和Deepmind提出：

• 我们在action中加入noisy，其实就是 Epsilon Greedy（随机乱试）
• 我们在Parameters中加入noisy（有系统的试）

通过noise net 小狗更快的学会跑步
效果：from https://blog.openai.com/better-exploration-with-parameter-noise/

6. Q-函数的分布

我们以游戏控制为例：

7. Rainbow

rainbow 是Q-learning中的集大成者，论文地址是：https://arxiv.org/abs/1710.02298

8. Q-learning在连续动作中的应用

当 Action ? 是一个连续的向量

Solution 1：
从action中抽样出一个action集合，然后在里面选择Q值最大的

Solution 2：
使用梯度上升解决求Q值最大的问题

Solution 3 ：设计一个网络，让求最大值的问题简单化

Solution 4 不要使用 Q-learning

本专栏图片、公式很多来自David Silver主讲的UCL-Course强化学习视频公开课和台湾大学李宏毅老师的深度强化学习课程,在这里，感谢这些经典课程，向他们致敬！