深度强化学习是一种新的算法,它结合了深度学习和强化学习,以实现从感知到行为的端到端的学习。就像人一样,直接通过深度神经网络输入感知信息,如视觉和输出动作,而不需要手动操作。通过深度强化学习训练的代理人能够完全自主地学习一种或多种不同的技能。近两年机器学习迅速发展,深度强化学习作为机器学习的一个分支,发展尤为猛烈。深度强化学习旨在解决计算机从感知到控制的问题,基于深度强化学习算法创造出的成果已经逐渐应用于我们的日常生活,在计算机视觉,语音识别,自然语言处理等相关领域的发展取得重大突破,但是这些领域所研究的问题,都仅仅是让计算机认识和理解环境,而没有解决人工智能最核心的问题-决策控制。需要向计算机输入感知信息的例如计算机视觉等感知问题,计算机可以根据感知信息理解和判断控制问题,并由计算机判断并输出正确的行为要求。为了使计算机能够做出适当的决策控制,需要计算机具备一定的“思考”的能力,以便计算机能够通过学习获得解决各种问题的能力,而这正是通用人工智能研究的目标。智能体的行为都可以归纳为智能体与环境进行交互,智能体观察环境,根据自身的状态及所观察的环境做出动作,更改环境,并将反馈返回给智能体。因此,核心问题是如何构建可以与环境进行交互的智能体。深度强化学习就是将善于提供学习机制的深度学习,和可以为智能体提供学习目标的强化学习进行优势结合,使得智能体具备学习复杂能力的潜力。本文首先使用深度强化学习提出的第一个算法DQN进行实验,将智能体放在贪吃蛇游戏环境中进行博弈训练,智能体在训练时将不会得到除图像像素和分数之外的任何信息,智能体必须自己学习,并直接使用输入和分数来制定最佳行动策略。之后,本文加入课程学习策略,将课程学习思想与DQN算法相结合,再次对智能体进行博弈训练,对比实验结果。通过实验表明,使用深度强化学习算法DQN训练的智能体在与对手的博弈训练后可以获得更高的分数和更长的存活时间,使用课程学习策略则可以大大提高智能体的训练速度,进一步提升智能体的表现。