DQN（Deep Q-Network）是一種結合了深度學習和Q-learning的強化學習方法，主要用於處理高維狀態空間和動作空間的問題。其核心思想是使用神經網路來逼近Q值函式，即學習一個模型將當前狀態映射到各個可能動作的預期回報。
DQN算法的主要特點包括：
經驗回放。通過存儲智慧型體的經驗（包括狀態、動作、獎勵和下一個狀態），DQN打破數據間的關聯性，提高訓練效率。
目標網路。為了穩定訓練過程，DQN使用一個與主網路結構相同的目標網路來計算目標Q值，目標網路的參數更新比主網路更慢。
Double DQN。採用Double DQN的思想，在目標網路和主網路中分別選擇最大動作，並結合它們的Q值來更新目標Q值，進一步提高了估計的準確性。
DQN的適用範圍廣泛，包括遊戲、自動駕駛和機器人控制等領域。然而，它主要適用於離散動作空間的問題，對於連續動作空間的問題則不太適用。此外，DQN的性能受到訓練數據量的影響，需要大量的訓練數據才能獲得良好的性能。