前言：
这里结合走迷宫的例子,重点学习一下QLearning迭代更新算法
0,1,2,3,4 是房间，之间绿色的是代表可以走过去。
5为出口
可以用下图表示
目录：
- 策略评估
- 策略改进
- 迭代算法
- 走迷宫实现Python
一 策略评估
强化学习最终是为了学习好的策略，在不同的state 下面根据策略
做出最优的action.
对于策略评估我们通过价值函数来度量.
1.1 状态值函数 V
T步累积奖赏: ,
折扣累积奖赏:
1.2 状态-动作值函数 Q
T步累积奖赏: ,
折扣累积奖赏:
1.3 Bellan 等式展开
状态值函数 V
状态-动作函数Q
二 策略改进
强化学习的目的： 尝试各种策略，找到值函数最大的策略（累积奖赏）
2.1 最优策略值函数
由于最优值函数的累积奖赏已经达到最大值,因此可以对Bellman 等式做个改动，即对动作求和改为最优
..1
...2
则
...3
最优 状态-动作 Bellman 等式为：
三 递推改进方式
原始策略为
改进后策略
改变动作的条件为：
...
四 值迭代算法
4.1 环境变量
Reward 和 QTable 都是矩阵
4.2 迭代过程
当state 为1,Q 函数更新过程
5.3 收敛结果
五 走迷宫实现Python
reward 我们用一个矩阵表示：
行代表： state
列代表： action
值代表： reward
5.1 Environment.py 实现环境功能
# -*- coding: utf-8 -*-
"""
Created on Wed Nov 15 11:12:13 2023
@author: chengxf2
"""
import numpy as np
from enum import Enum
#print(Weekday.test.value) 房间
class Room(Enum):
room1 = 1
room2 = 2
room3 = 3
room4 = 4
room5 = 5
class Environment():
def action_name(self, action):
if action ==0:
name = "左"
elif action ==1:
name = "上"
elif action ==2:
name = "右"
else:
name = "上"
return name
def __init__(self):
self.R =np.array([ [-1, -1, -1, -1, 0, -1],
[-1, -1, -1, 0, -1, 100],
[-1, -1, -1, 0, -1, -1],
[-1, 0, 0, -1, 0, -1],
[0, -1, -1, 0, -1, 100],
[-1, 0, -1, -1, 0, 100]])
def step(self, state, action):
#即使奖励： 在state, 执行action, 转移新的 next_state,得到的即使奖励
#print("\n step ",state, action)
reward = self.R[state, action]
next_state = action# action 网哪个房间走
if action == Room.room5.value:
done = True
else:
done = False
return next_state, reward,done
5.1 main.py 实现Agent 功能
# -*- coding: utf-8 -*-
"""
Created on Wed Nov 15 11:29:14 2023
@author: chengxf2
"""
# -*- coding: utf-8 -*-
"""
Created on Mon Nov 13 09:39:37 2023
@author: chengxf2
"""
import numpy as np
def init_state(WORLD_SIZE):
S =[]
for i in range(WORLD_SIZE):
for j in range(WORLD_SIZE):
state =[i,j]
S.append(state)
print(S)
# -*- coding: utf-8 -*-
"""
Created on Fri Nov 10 16:48:16 2023
@author: chengxf2
"""
import numpy as np
from environment import Environment
class Agent():
def __init__(self,env):
self.discount_factor = 0.8 #折扣率
self.theta = 1e-3 #最大偏差
self.nS = 6 #状态 个数
self.nA= 6 #动作个数
self.Q = np.zeros((6,6))
self.env = env
self.episode = 500
#当前处于的位置,V 累积奖赏
def one_step_lookahead(self,env, state, action):
#print("\n state :",state, "\t action ",action)
next_state, reward,done = env.step(state, action)
maxQ_sa = max(self.Q[next_state,:])
return next_state, reward, done,maxQ_sa
def value_iteration(self, env, state, discount_factor =1.0):
#随机选择一个action,但是不能为-1
indices = np.where(env.R[state] >-1)[0]
action = np.random.choice(indices,1)[0]
#print("\n state :",state, "\t action ",action)
next_state, reward, done,maxQ_sa = self.one_step_lookahead(env, state, action)
#更新当前的Q值
r = reward + self.discount_factor*maxQ_sa
self.Q[state,action] = int(r)
#未达到目标状态，走到房间5， 执行下一次迭代
if done == False:
self.value_iteration(env, next_state)
def learn(self):
for n in range(self.episode): #最大迭代次数
#随机选择一个状态
state = np.random.randint(0,self.nS)
#必须达到目标状态，跳转到出口房间5
self.value_iteration(env, state, discount_factor= self.discount_factor)
#print("\n n ",n)
print(self.Q)
if __name__ == "__main__":
env = Environment()
agent =Agent(env)
agent.learn()
参考：
8-QLearning基本原理_哔哩哔哩_bilibili
9-QLearning迭代计算实例_哔哩哔哩_bilibili
10-QLearning效果演示_哔哩哔哩_bilibili
