DQN
带有重播缓冲区的深度Q网络实现
在本课程中，我实施了DQN来解决代理商必须达到目标的迷宫。 从高层次的角度来看，代理从其经验中学习。 在每个步骤之后，根据当前状态和新状态收集正或负奖励（第254-263行）。 特别地，该代理因非常接近目标而受到积极奖励（第254行），因撞墙而受到惩罚（第257行），并因有效地向右移动而受到积极奖励（第260行）。 垂直移动既不会受到惩罚也不会得到奖励（第263行）。 同样，碰壁也要按距球门距离的比例进行惩罚。 在每个步骤中，业务代表都可以在三种可能的操作之间进行选择：上，下，右（240-248）。 在训练过程中，决定采取什么行动是由ε贪婪策略控制的（第196-211行），其中以（1- −ε）+ε/ 3的概率选择最佳行动，而其他所有行动均以ε/的概率进行选择3。 这使代理既可以探索环境，也可以利用迄今为止所学的知识。 为了优化在勘探和开发之间的权衡
