Jul, 2024

二步Q-Learning

TL;DR该研究提出了一种新的无偏置、无重要性采样的两步离策略Q学习算法,并通过适当的假设证明,该算法的迭代是有界的,并且几乎肯定收敛于最优Q值。研究还探讨了两步Q学习的平滑版本的收敛性分析,即通过用对数-和-指数函数代替最大函数。该算法具有鲁棒性和易于实现性,并在基准问题上进行了实验验证,如轮盘问题、最大化偏置问题和随机生成的马尔可夫决策过程,并将其与现有文献中的方法进行了比较。数值实验证明了两步Q学习及其平滑变体的卓越性能。