代码 参考修改自： PARL实现DQN，CartPole环境

参考视频： 世界冠军带你从零实践强化学习

介绍

强化学习 CartPole环境，Tensorflow实现DQN。

运行train.py文件即可。 支持gym的两种环境CartPole-v0，MountainCar-v0。

if __name__ == "__main__":
    main(env="CartPole-v0")
    # main(env="MountainCar-v0")

依赖

gym == 0.21.0
numpy == 1.22.2
tensorflow == 2.4.0

DQN的两大创新点

1. 经验回放（Experience Repaly）
2. 固定Q目标（Fixed Q Target）

经验回放（Experience Repaly）

每个时间步agent与环境交互得到的转移样本存储在buffer中。

当进行模型参数的更新时，从buffer中随机抽取batch_size个数据，构造损失函数，利用梯度下降更新参数。

通过这种方式，

1. 去除数据之间的相关性，缓和了数据分布的差异。
2. 提高了样本利用率，进而提高了模型学习效率。

---

为什么要去除数据之间的相关性？

参考：

关于强化学习中经验回放（experience replay）的两个问题？

为什么机器学习中, 要假设我们的数据是独立同分布的?

理解1： 确保数据是独立同分布的。这样，我们搭建的模型是简单、易用的。

理解2： 在一般环境中，智能体得到奖励的情况往往很少。比如在n个格子上，只有1个格子有奖励。智能体在不断地尝试中，大多数情况是没有奖励的。如果没有Experience Repaly，只是每步都进行更新，模型可能会找不到“正确的道路”，陷入局部最优或不收敛情况。

---

固定Q目标（Fixed Q Target）

参考： DQL: Dueling Double DQN, Prioritized Experience Replay, and fixed Q-targets（三下） 【前面一点的内容】

在DQN中，损失函数的定义是，使Q尽可能地逼近Q_target。

在实际情况中，Q在变化，作为 “标签” 的Q_target也在不断地变化。它使得我们的算法更新不稳定，即输出的Q在不断变化，训练的损失曲线轨迹是震荡的。

---

DQN引入了target_net。具体来说，使用value_net输出Q值，使用target_net输出Q_target值。

target_net与value_net具有相同的网络结构，但不共享参数。

1. 在一段时间内，target_net保持不变，只训练value_net。这样，相当于固定住“标签”Q_target，然后使用预测值Q不断逼近。
2. 一段时间过后，将value_net的权重 复制到 target_net上，完成target_net参数的更新。

通过这种方式，一定程度降低了当前Q值和target_Q值的相关性，提高了算法稳定性。