rayLib的DQN和A3C
1. DQN（Deep Q-Network）
概述
DQN 是一种将深度学习与 Q - learning 相结合的强化学习算法，由 DeepMind 在 2013 年提出，并在 2015 年进行了改进。传统的 Q - learning 使用表格来存储状态 - 动作值（Q 值），但在处理高维状态空间时，表格的规模会变得非常大，甚至无法存储。DQN 使用深度神经网络来近似 Q 值函数，从而可以处理高维的状态输入，如图像。
核心思想
- 经验回放：将智能体的经验（状态、动作、奖励、下一个状态）存储在经验回放缓冲区中，训练时随机从缓冲区中采样一批经验进行学习，这样可以打破数据之间的相关性，提高训练的稳定性。
- 目标网络：引入目标网络来计算目标 Q 值，目标网络的参数定期从主网络复制过来，这样可以减少训练过程中的目标值波动，提高学习的稳定性。
