上篇文章强化学习——详解 DQN 算法介绍了 DQN 算法，但是 DQN 还存在一些问题，本篇文章介绍针对 DQN 的问题的改进算法
一、Double DQN 算法
1、算法介绍
DQN的问题有：目标 Q 值（Q Target ）计算是否准确？全部通过
m
a
x
Q
max\;Q
maxQ 来计算有没有问题？很显然，是有问题的，这是因为Q-Learning 本身固有的缺陷—过估计
过估计是指估计得值函数比真实值函数要大，其根源主要在于Q-Learning中的最大化操作，对于 TD Target：
r
+
γ
m
a
x
a
′
Q
^
(
s
′
,
a
′
,
w
)
r + \gamma\;max_{a'}\; \hat{Q}(s', a', w)
r+γmaxa′Q^(s′,a′,w)
其中的
m
a
x
max
max 操作使得估计的值函数比值函数的真实值大，因为DQN是一种off-policy的方法，每次学习时，不是使用下一次交互的真实动作，而是使用当前认为价值最大的动作来更新目标值函数，（注：对于训练过程中每次都选择使得Q值最大的动作，往往会导致在实际策略中的目标值要高于真实值）。Double DQN 的改进方法是将动作的选择和动作的评估分别用不同的值函数来实现，而在Nature DQN中正好提出了两个Q网络。所以计算 TD Target 的步骤可以分为下面两步：
- 1）通过当前Q估计网络（Q Estimation 网络）获得最大值函数的动作
a
a
a:
a
m
a
x
(
s
′
,
w
)
=
a
r
g
m
a
x
a
′
Q
e
s
t
i
m
(
s
′
,
a
,
w
)
a_{max}(s',w) = arg\;max_{a'}Q_{estim}(s', a, w)
amax(s′,w)=argmaxa′Qestim(s′,a,w)
- 2）然后利用这个选择出来的动作
a
m
a
x
(
s
′
,
w
)
a_{max}(s',w)
amax(s′,w) 在目标网络 (Q Target) 里面去计算目 Target Q值：
r
+
γ
m
a
x
a
′
Q
t
a
r
g
e
t
(
s
′
,
a
m
a
x
(
s
′
,
w
)
,
w
)
r + \gamma\;max_{a'}\; Q_{target}(s', a_{max}(s',w), w)
r+γmaxa′Qtarget(s′,amax(s′,w),w)
综合起来 在Double DQN 中的 TD Target 计算为：
r
+
γ
Q
t
a
r
g
e
t
(
s
′
,
a
r
g
m
a
x
a
′
Q
e
s
t
i
m
(
s
′
,
a
,
w
)
,
w
)
r + \gamma\; Q_{target}(s',arg\;max_{a'}Q_{estim}(s', a, w), w)
r+γQtarget(s′,argmaxa′Qestim(s′,a,w),w)
除了计算 Target Q 值以外，DDQN 和 DQN 其余流程完全相同。
2、代码展示
由上面可知，Double DQN 和 DQN 唯一不同的地方在于Q值的估计，其余流程一样。这里附上代码：
target = self.target_model(states).numpy()
# next_target [batch_size, action_dim]
next_target = self.target_model(next_states).numpy()
# next_q_value [batch_size, 1]
next_q_value = next_target[
range(args.batch_size), np.argmax(self.model(next_states), axis=1)
]
# next_q_value = tf.reduce_max(next_q_value, axis=1)
target[range(args.batch_size), actions] = rewards + (1 - done) * args.gamma * next_q_value
完整代码地址强化学习——Double DQN 代码地址 ，劳烦点个 star 可好？在此谢谢了
二、Dueling DQN 算法
1、算法简介
在DQN算法中，神经网络输出的 Q 值代表动作价值，那么单纯的动作价值评估会不会不准确？对于
Q
(
s
,
a
)
Q(s, a)
Q(s,a) 的值既和 State 有关，又和 action 有关，但是这两种 “有关” 的程度不一样，或者说影响力不一样，这里希望网络能反映出两个方面的差异。
Dueling-DQN 算法从网络结构上改进了DQN，神经网络输出的动作价值函数可以分为状态价值函数和优势函数，即：
网络输出：
V
π
(
s
)
+
A
π
(
s
,
a
)
网络输出： V_\pi(s) + A_\pi(s,a)
网络输出：Vπ(s)+Aπ(s,a)
然后这两个函数利用神经网络来逼近。
先来回顾一下，在前面 MDP 那节介绍过了状态价值函数
V
(
s
)
V(s)
V(s) 的定义：
v
π
(
s
)
=
∑
a
∈
A
π
(
a
∣
s
)
⋅
q
π
(
a
,
s
)
v_\pi(s) = \sum_{a\in A} \pi(a|s)\cdot q_\pi(a, s)
vπ(s)=a∈A∑π(a∣s)⋅qπ(a,s)
状态价值函数就等于在该状态下所有可能动作所对应的动作值乘以采取该动作的概率的和。更通俗的讲，值函数
V
(
s
)
V(s)
V(s) 是该状态下所有动作值函数关于动作概率的平均值；而动作价值函数
q
(
s
,
a
)
q(s,a)
q(s,a) 表示在状态 s 下选取 动作 a 所能获得的价值。
那么什么是 优势函数？优势函数
A
π
(
s
,
a
)
=
Q
π
(
s
,
a
)
−
V
π
(
s
)
A_\pi(s,a) = Q_\pi(s,a) - V_\pi(s)
Aπ(s,a)=Qπ(s,a)−Vπ(s) 。意思是当前动作价值相对于平均价值的大小。所以，这里的优势指的是动作价值相比于当前状态的值的优势。如果优势大于零，则说明该动作比平均动作好，如果优势小于零，则说明当前动作还不如平均动作好。这样那些比平均动作好的动作将会有更大的输出，从而加速网络收敛过程。
2、代码展示
同样的，Dueling DQN 与DQN 的不同之处在与网络结构，其余流程完全一样。这里不再过多解释，下面附上创建模型相关代码 ：
def create_model(input_state_shape):
input_layer = tl.layers.Input(input_state_shape)
layer_1 = tl.layers.Dense(n_units=32, act=tf.nn.relu)(input_layer)
layer_2 = tl.layers.Dense(n_units=16, act=tf.nn.relu)(layer_1)
# state value
state_value = tl.layers.Dense(n_units=1)(layer_2)
# advantage value
q_value = tl.layers.Dense(n_units=self.action_dim)(layer_2)
mean = tl.layers.Lambda(lambda x: tf.reduce_mean(x, axis=1, keepdims=True))(q_value)
advantage = tl.layers.ElementwiseLambda(lambda x, y: x-y)([q_value, mean])
# output
output_layer = tl.layers.ElementwiseLambda(lambda x, y: x+y)([state_value, advantage])
return tl.models.Model(inputs=input_layer, outputs=output_layer)
完整代码地址 强化学习——Dueling DQN 代码地 ，劳烦点个 star 可好？在此谢谢了
