本文是在https://blog.csdn.net/acl_lihan/article/details/104076938的基础上进行了部分改动，加上了一点个人理解，原博客写的非常好，不妨一同查阅。

普通的Q-learning比policy gradient比较容易实现，但是在处理连续动作（比如方向盘要转动多少度）的时候就会显得比较吃力。

因为如果action是离散的几个动作，那就可以把这几个动作都代到Q-function去算Q-value。但是如果action是连续的，此时action就是一个vector，vector里面又都有对应的value，那就没办法穷举所有的action去算Q-value。

本文就介绍一个用来处理连续动作的算法Normalized Advantage Functions（NAF）
当然，最常见的处理方法还是不使用Q-learning而使用actor-critic

一、NAF算法

设计一个新的网络来解连续动作的最优化问题。

先给出概念如下，后面再讲具体的。

（公式3-1）

此时Q value 由状态值函数V与动作价值函数 A 相加而得。

（公式3-2）

其中 x 表示状态State，u表示动作Action，θ 是对应的网络参数，A函数可以看成动作 u 在状态 x 下的优势。我们的目的就是要使网络输出的动作 u 所对应的Q值最大。



下图为NAF执行过程（图参考自https://blog.csdn.net/u013236946/article/details/73243310）

参考：
https://blog.csdn.net/acl_lihan/article/details/104076938

最后

以上就是标致含羞草为你收集整理的强化学习入门（六）：Q-learning系列算法3：连续动作（NAF）一、NAF算法的全部内容，希望文章能够帮你解决强化学习入门（六）：Q-learning系列算法3：连续动作（NAF）一、NAF算法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。