李宏毅深度强化学习笔记（四）Q-learning（Advanced Tips）

参考jessie_weiqing博客：https://blog.csdn.net/cindy_1102/article/details/87907470
李宏毅深度强化学习课程 https://www.bilibili.com/video/av24724071

李宏毅深度强化学习笔记（四）Q-learning（Advanced Tips）

Double DQN

由于Q值总是基于使得Q最大的action得出的，因此会趋向于被高估，于是引入double DQN
double DQN的真实Q值往往比Q-learning高

• 为什么 Q 经常被高估
  因为目标值 rt+maxQ(st+1,a) $r_t+maxQ(s_{t+1}, a)$rt​+maxQ(st+1​,a) 总是倾向于选择被高估的行动action
• double DQN 是如何工作的?
  使用两个Q function（因此称为double）, 一个用来选择行动action，另外一个用来计算Q值，通常会选择target network来作为另外一个用于计算Q值的Q‘ function
  

如果Q高估了 a 从而被选择， Q’ 会给这个被选择的a一个合适的Q值入股Q’会高估某个action a，这个action并不会被Q选择到.

Dueling DQN

只对网络结构进行改变！

这里计算出来的值有两个:
V(s): 表示静态环境，状态s所具有的价值.
A(s,a): 表示在状态s下采取行动a时的 advantage function
这种类型的网络结构可以用来学习不被行动action影响下的state的价值
通常，在计算 A(s,a) 时，使用单个行动对应的 advantage function 的值减去在该状态下采取所有行动所获得的 advantage function 的值的平均值，因此，对于一个状态下的所有action，具有零和特征。(normalise 在和 V(s)相加之间进行)
此外，如果只需要通过改变V(s)的值就能改变某个状态下所有的Q的话，会比较方便、

Prioritized Experience Replay

简单地说，在训练的过程中，对于在经验buffer里面的样本，那些具有更好的TD 误差的样本会有更高的概率被采样，这样可以加快训练速度。
在这个过程中，参数更新的过程也会有相应的更改。

Multi-step: Combination of MC and TD

此处，模型需要学习多步累积起来的回报reward，也就是说将MC和TD进行了折中，同时引入了一个超参数，即累积reward的步长N

Noisy Net:

Epsilon Greedy vs. Noisy Net
Epsilon Greedy: 在行动上加噪声

即便给定相同的状态state，agent也有可能采取不同的行动，因此，实际上这里并没有真正意义上的policy
Noisy Net: 在参数上加噪声
在每个episode开始时，在Q function的参数上引入噪声，但在每一个episode内，参数不会发生改变。给定同样的state，agent会采取同一个action

Distributional Q-function

状态-行动价值函数 $Q^\pi(s,a)$Qπ(s,a)是累积收益的期望值，也就是说是价值分布的均值。然而，有的时候不同的分布得到的均值可能一样，但我们并不知道实际的分布是什么。

Distributional Q-function 认为可以输出Q值的分布，当具有相同的均值时，选择具有较小方差（风险）的那一个
但实际上，这个方法很难付诸实践。

Rainbow

上述图像表明 DDQN 对于rainbow来说用处不大，这是因为DDQN是用来解决高估问题的，而这个问题在 distributional Q function 中已经得到了解决