本文主要是介绍代码实现DQN的ε-greedy（Epsilon贪婪策略），取得相反结果，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
问题现象：DQN训练中，设置ε-greedy策略，取得相反的训练结果（智能体一开始选择最优动作，后期选择较多随机动作，为什么训练效果反而更好，是哪个环节出现问题了）。
问题描述：（1）智能体有ε的概率选择随机动作，（1-ε）的概率选择最优动作。在训练中，令ε单调递减（一开始更多选择随机动作，随着训练加深，逐渐选择最优动作）。代码如下所示
图A1 参数设置（合理值）
图A2 动作选择函数
图A3 训练结果
==============================（分割线）=================================
图B1 参数设置和动作选择函数（相比图A1，A2，参数设置不变，但是目标选择函数中：以1-ε的概率选择随机值）
图B2 训练结果
原则上说，一开始让智能体选择较多的随机动作，越后期，随机动作越小，这样的训练效果最好，但为什么在我的实验中，是相反的？
这篇关于代码实现DQN的ε-greedy（Epsilon贪婪策略），取得相反结果的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
