Double Q-learning实战:如何用Python解决过估计问题(附代码示例)

news2026/3/31 8:07:00
Double Q-learning实战如何用Python解决过估计问题附代码示例强化学习中的Q-learning算法因其简洁高效而广受欢迎但在某些场景下会出现严重的过估计问题。本文将深入探讨这一现象的本质并手把手教你用Python实现Double Q-learning算法通过代码对比展示其如何有效解决过估计问题。1. Q-learning的过估计问题理论与现象在标准Q-learning中我们通过以下公式更新Q值Q(s,a) Q(s,a) α * (r γ * max_a Q(s,a) - Q(s,a))这里的max操作正是过估计的根源。假设在某状态下有两个动作a1和a2其真实Q值分别为1.0和0.9。由于采样误差估计值可能变为1.2和0.8。此时max会选择1.2导致更新时使用了比真实最大值更大的值。这种现象在Atari游戏等复杂环境中尤为明显。van Hasselt在2010年的论文中通过数学证明指出Q-learning的过估计偏差可以表示为E[max Q(s,a)] ≥ max E[Q(s,a)]为了直观理解我们模拟一个简单的过估计场景import numpy as np # 真实Q值 true_q [1.0, 0.9, 0.8] # 估计Q值带有噪声 estimated_q true_q np.random.normal(0, 0.2, size3) print(f真实最大值: {max(true_q):.2f}) print(f估计最大值: {max(estimated_q):.2f}) print(f过估计量: {max(estimated_q) - max(true_q):.2f})多次运行会发现估计最大值经常高于真实最大值。这种偏差会通过贝尔曼方程传播导致整个学习过程不稳定。2. Double Q-learning算法原理Double Q-learning的核心思想是使用两个独立的Q函数(Q_A和Q_B)来解耦动作选择和价值评估用Q_A选择最优动作a* argmax_a Q_A(s,a)用Q_B评估该动作的价值Q_B(s,a*)更新Q_AQ_A(s,a) α * (r γ * Q_B(s,a*) - Q_A(s,a))交替更新Q_B使用相同的逻辑这种解耦使得即使一个Q函数过估计了某个动作只要另一个Q函数没有同样过估计最终的更新就不会受到严重影响。数学上可以证明Double Q-learning会产生轻微的欠估计但相比Q-learning的过估计这种偏差通常更可控E[Q_B(s,argmax_a Q_A(s,a))] ≤ max E[Q(s,a)]3. Python实现与对比实验我们以一个简单的GridWorld环境为例对比标准Q-learning和Double Q-learning的表现。3.1 环境设置import numpy as np class GridWorld: def __init__(self): self.size 5 self.goal (4,4) self.trap (2,2) self.reset() def reset(self): self.state (0,0) return self.state def step(self, action): x, y self.state if action 0: # 上 x max(0, x-1) elif action 1: # 右 y min(self.size-1, y1) elif action 2: # 下 x min(self.size-1, x1) elif action 3: # 左 y max(0, y-1) self.state (x,y) if self.state self.goal: return self.state, 10, True elif self.state self.trap: return self.state, -10, True else: return self.state, -1, False3.2 Q-learning实现class QLearningAgent: def __init__(self, n_states, n_actions, alpha0.1, gamma0.95, epsilon0.1): self.q_table np.zeros((n_states, n_actions)) self.alpha alpha self.gamma gamma self.epsilon epsilon def choose_action(self, state): if np.random.random() self.epsilon: return np.random.randint(0, len(self.q_table[state])) return np.argmax(self.q_table[state]) def learn(self, state, action, reward, next_state, done): predict self.q_table[state][action] target reward if done else reward self.gamma * np.max(self.q_table[next_state]) self.q_table[state][action] self.alpha * (target - predict)3.3 Double Q-learning实现class DoubleQLearningAgent: def __init__(self, n_states, n_actions, alpha0.1, gamma0.95, epsilon0.1): self.q_a np.zeros((n_states, n_actions)) self.q_b np.zeros((n_states, n_actions)) self.alpha alpha self.gamma gamma self.epsilon epsilon def choose_action(self, state): if np.random.random() self.epsilon: return np.random.randint(0, len(self.q_a[state])) return np.argmax(self.q_a[state] self.q_b[state]) def learn(self, state, action, reward, next_state, done): # 随机选择更新Q_A或Q_B if np.random.random() 0.5: q_predict self.q_a[state][action] if done: q_target reward else: best_action np.argmax(self.q_a[next_state]) q_target reward self.gamma * self.q_b[next_state][best_action] self.q_a[state][action] self.alpha * (q_target - q_predict) else: q_predict self.q_b[state][action] if done: q_target reward else: best_action np.argmax(self.q_b[next_state]) q_target reward self.gamma * self.q_a[next_state][best_action] self.q_b[state][action] self.alpha * (q_target - q_predict)3.4 训练与结果对比def train_agent(env, agent, episodes1000): rewards [] for episode in range(episodes): state env.reset() total_reward 0 done False while not done: action agent.choose_action(state[0]*env.size state[1]) next_state, reward, done env.step(action) agent.learn(state[0]*env.size state[1], action, reward, next_state[0]*env.size next_state[1], done) state next_state total_reward reward rewards.append(total_reward) return rewards # 训练并比较两种算法 env GridWorld() q_agent QLearningAgent(25, 4) double_q_agent DoubleQLearningAgent(25, 4) q_rewards train_agent(env, q_agent) double_q_rewards train_agent(env, double_q_agent)通过绘制两种算法的奖励曲线可以明显看到Double Q-learning更稳定且最终表现更好import matplotlib.pyplot as plt plt.plot(np.convolve(q_rewards, np.ones(100)/100, modevalid), labelQ-learning) plt.plot(np.convolve(double_q_rewards, np.ones(100)/100, modevalid), labelDouble Q-learning) plt.xlabel(Episode) plt.ylabel(Average Reward) plt.legend() plt.show()4. 高级技巧与超参数调优4.1 学习率调度动态调整学习率可以提升算法性能class DoubleQLearningAgent: def __init__(self, n_states, n_actions, alpha0.1, gamma0.95, epsilon0.1): # ... 其他初始化 ... self.alpha_decay 0.9995 self.min_alpha 0.01 def learn(self, state, action, reward, next_state, done): self.alpha max(self.min_alpha, self.alpha * self.alpha_decay) # ... 其余学习逻辑 ...4.2 探索策略优化ε-greedy策略可以随时间衰减class DoubleQLearningAgent: def __init__(self, n_states, n_actions, alpha0.1, gamma0.95, epsilon1.0): # ... 其他初始化 ... self.epsilon_decay 0.995 self.min_epsilon 0.01 def choose_action(self, state): self.epsilon max(self.min_epsilon, self.epsilon * self.epsilon_decay) # ... 其余动作选择逻辑 ...4.3 经验回放集成虽然传统Double Q-learning不使用经验回放但我们可以结合from collections import deque import random class ReplayBuffer: def __init__(self, capacity): self.buffer deque(maxlencapacity) def push(self, state, action, reward, next_state, done): self.buffer.append((state, action, reward, next_state, done)) def sample(self, batch_size): return random.sample(self.buffer, batch_size) def __len__(self): return len(self.buffer) class DoubleQLearningWithReplay(DoubleQLearningAgent): def __init__(self, n_states, n_actions, batch_size32, buffer_size10000, **kwargs): super().__init__(n_states, n_actions, **kwargs) self.buffer ReplayBuffer(buffer_size) self.batch_size batch_size def learn(self, state, action, reward, next_state, done): self.buffer.push(state, action, reward, next_state, done) if len(self.buffer) self.batch_size: batch self.buffer.sample(self.batch_size) for s, a, r, ns, d in batch: super().learn(s, a, r, ns, d)5. 实际应用中的注意事项网络架构设计当结合深度神经网络时可以共享部分网络参数来减少计算量目标网络定期更新目标网络可以进一步提高稳定性偏差-方差权衡Double Q-learning减少了方差但可能增加偏差需要平衡多步学习结合n步回报可以加速学习但可能引入额外偏差以下是一个结合了上述改进的完整实现示例class AdvancedDoubleQLearning: def __init__(self, n_states, n_actions, alpha0.1, gamma0.95, epsilon1.0): self.q_a np.random.uniform(-0.1, 0.1, (n_states, n_actions)) self.q_b np.random.uniform(-0.1, 0.1, (n_states, n_actions)) self.alpha alpha self.gamma gamma self.epsilon epsilon self.alpha_decay 0.9995 self.min_alpha 0.01 self.epsilon_decay 0.995 self.min_epsilon 0.01 self.target_update_freq 100 self.steps 0 self.q_a_target self.q_a.copy() self.q_b_target self.q_b.copy() def choose_action(self, state): self.epsilon max(self.min_epsilon, self.epsilon * self.epsilon_decay) if np.random.random() self.epsilon: return np.random.randint(0, len(self.q_a[state])) return np.argmax(self.q_a[state] self.q_b[state]) def learn(self, state, action, reward, next_state, done): self.steps 1 self.alpha max(self.min_alpha, self.alpha * self.alpha_decay) # 随机选择更新Q_A或Q_B if np.random.random() 0.5: q_predict self.q_a[state][action] if done: q_target reward else: best_action np.argmax(self.q_a_target[next_state]) q_target reward self.gamma * self.q_b_target[next_state][best_action] self.q_a[state][action] self.alpha * (q_target - q_predict) else: q_predict self.q_b[state][action] if done: q_target reward else: best_action np.argmax(self.q_b_target[next_state]) q_target reward self.gamma * self.q_a_target[next_state][best_action] self.q_b[state][action] self.alpha * (q_target - q_predict) # 定期更新目标网络 if self.steps % self.target_update_freq 0: self.q_a_target self.q_a.copy() self.q_b_target self.q_b.copy()在实际项目中我发现将ε的初始值设为1.0并缓慢衰减配合动态调整的学习率能够取得比固定参数更好的效果。同时目标网络的更新频率需要根据具体问题调整——对于更稳定的环境可以降低更新频率而对于快速变化的环境则需要更频繁地更新。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2463855.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…