Update 强化学习.md

[Malena-yy]

add answer to the question:DQN的两个关键trick分别是什么？

[Malena-yy]

add answer to the question:DQN的两个关键trick分别是什么？

[HelloCodeFlow]

@MonkeyCode-AI review

[MonkeyCode-AI]

Pull Request 概述

• 本次PR修改了"强化学习.md"文件，完善了关于DQN两个关键技巧的描述，将原本的TODO项替换为具体的解释内容。

Pull Request 变更详情

文件路径	变更类型	变更内容
docs/强化学习.md	修改	完善了DQN两个关键技巧的描述，添加了Replay buffer和Fixed Q-targets的解释

[MonkeyCode-AI]

DQN的两个关键技巧描述准确，但可以进一步优化表述以提高可读性。

Suggested change

	- Fixed Q-targets: 在更新Q网络参数时，用以计算$q_{target}$的网络参数是上一次迭代前的网络参数$\theta_{i-1}$，当前q值是根据网络参数为$\theta_{i}$的Q网络得出，这也是一种打乱相关性的机理。
	Replay buffer（经验回放）：在训练过程中，将经验存储在经验池中，并随机采样用于更新网络参数。这种方法一方面打破了样本之间的相关性，另一方面提高了样本的利用效率（一个样本可能被多次用于网络参数更新）。
	Fixed Q-targets（固定Q目标）：在更新Q网络参数时，用于计算$q_{target}$的网络参数是上一次迭代前的网络参数$\\theta_{i-1}$，而当前q值是根据网络参数为$\\theta_{i}$的Q网络得出。这也是一种打破相关性的机制。

[MonkeyCode-AI]

⏳ MonkeyCode-AI 正在分析，请稍等片刻...