deep q-learning对比q-learning优化了哪些地方

Deep Q-learning相比于传统的Q-learning算法进行了以下优化：

1. 非线性函数逼近：Deep Q-learning使用神经网络对Q函数进行逼近，可以处理高维状态空间和动作空间，相比传统的Q-learning算法的线性函数逼近更加准确和灵活。

2. 经验回放：Deep Q-learning使用经验回放缓解了数据样本的相关性，提高了样本的利用效率。

3. 目标网络：Deep Q-learning使用目标网络来稳定学习，减小了误差的影响，提高了算法的收敛速度和学习效率。

4. 双重Q学习：Deep Q-learning使用双重Q学习方法，避免了传统Q-learning中过高的估计值，提高了算法的稳定性和效率。

综上所述，Deep Q-learning在非线性函数逼近、经验回放、目标网络和双重Q学习等方面进行了优化，相比传统的Q-learning算法在处理高维状态空间和动作空间上更加准确和灵活，并且提高了算法的稳定性和效率。