2022世足賽賠率強化學習率和監督學習率分別設置為為 0.1 和 0.005，兩者都使用隨機梯度下降（SGD），沒有神經網絡隨機最優化的趨勢。每一個代理進行3次隨機梯度更新，遊戲中每128步、每個神經網絡中最小批次數量為128。DQN 算法的目標網絡每300次更新就重新調整。NFSP 的預期參數設置為 η = 0.1。ε-貪婪策略的探索從 0.06 開始，下降到0，與迭代次數的逆平方根成比例。 百家樂教學為了研究 NSFP 各種組成部分的相關度，也就是說，蓄水池取樣和期望動態，我們進行了一個分離他們效果的實驗。圖4顯示，這些變動導緻表現下降。特別是使用固定大小的滑動窗口來儲存代理自己行為的經驗，會導緻偏離。對於一個0.5的高期望參數，NFSP 的表現進入了停滯。最終，百家樂教學使用指數平均蓄水池取樣進行監督學習記憶更新，導緻了噪音表現。nba即時4.3. 與DQN比較之前已有多個穩定算法提出過用於深度強化學習，尤其是 DQN 算法（Mnih 等人，2015）。但是，這些算法的實證穩定性之前只在單一代理、完美（或接近完美）信息 MDP 中建立過。這裏，百家樂教學我們研究與 NFSP 相比，在多代理、信息不完美遊戲中的 DQN 穩定性。 DQN 學會一種決定論的貪婪策略。這在 MDP 中足夠進行最優行為，算法就是為此而設計的。不過，在信息不完美遊戲通常要求最優行為的隨機策略。這樣，除了 DQN 的 ε-貪婪策略，我們將其行為存儲在一個監督學習記憶 MSL 中，並學習其平均行為。