关于强化学习中Q-learning和DQN的原理以及在论文中应用_q-learning论文

本文中提到的论文应用环境以及代码均来自论文《Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning》，对于应用场景和其他公式的分析见我的此篇文章

强化学习的基本概念：

强化学习的主体：环境、代理agent
强化学习中的数据量：状态state、动作/行为action、奖励reward
强化学习的目标：找到能使长期累计奖励（某时刻到结束所有奖励的总和）最大化的策略
代理通过与环境进行数据信息的交互进行学习，机器需要通过尝试来发现各个动作产生的结果，而没有训练数据告诉机器应当做哪个动作

类比：强化学习中的“策略”相当于监督学习中的分类器（离散）或者回归器（连续），模型形式没有差别，但是在强化学习中没有监督学习中的有标记样本，只有等到最终的结果揭晓，才能通过“反思"之前动作是否正确来进行学习，因此强化学习在某种程度上可以看作具有”延迟标记信息“的监督学习问题

策略/决策函数π

在代理与环境进行交互的过程中我们期望代理可以学习到最终能完成我们目标的策略（policy）