Q-learning for Continuous Actions

Q：Q-learning相比于policy gradient based方法为什么训练起来效果更好，更平稳？

A：只要能够 estimate 出Q-function，就保证可以 improve 对应的 policy。而因为 estimate Q-function 作为一个回归问题，一般情况下只需要关注 regression 的 loss 有没有下降，就知道 model learn 的好不好。所以 estimate Q-function 相较于 learn 一个 policy 是比较容易的。

Solution1–sample action

随机sample出N个可能的action，然后和discrete action space 一样操作就好了

Solution2–gradient ascend

将action看为我们的变量，使用gradient ascend方法去update action对应的Q-value。

Solution3–design a network

• 产生的∑保证了其正定性，因此上式的第一项恒为负值，只需令 $a=\mu (s)$​ 就可以确定Q值最大

Solution4–Don’t use Q-learning

结合 policy-based 的方法 PPO 和 value-based 的方法 Q-learning，就是 actor-critic 算法。

最后

以上就是慈祥秋天为你收集整理的DQN_Continuous_ActionQ-learning for Continuous Actions的全部内容，希望文章能够帮你解决DQN_Continuous_ActionQ-learning for Continuous Actions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。