强化学习——Sarsa算法

简介

• Sarsa全称是state-action-reward-state’-action’，目的是学习特定的state下，特定action的价值Q，最终建立和优化一个Q表格，以state为行，action为列，根据与环境交互得到的reward来更新Q表格，更新公式为：
  

• Sarsa在训练中为了更好的探索环境，采用ε-greedy方式来训练，有一定概率随机选择动作输出。

实战

• 使用 Sarsa 解决机器人找金币问题。
  机器人找金币环境下载

Agent

• Agent是和环境environment交互的主体。
• predict()方法：输入观察值observation（或者说状态state），输出动作值
• sample()方法：再predict()方法基础上使用ε-greedy增加探索
• learn()方法：输入训练数据，完成一轮Q表格的更新

# agent.py 
class SarsaAgent(object):
    def __init__(self, obs_n, act_n, learning_rate=0.01, gamma=0.9, e_greed=0.1):
        self.act_n = act_n      # 动作维度，有几个动作可选
        self.lr = learning_rate # 学习率
        self.gamma = gamma      # reward的衰减率
        self.epsilon = e_greed  # 按一定概率随机选动作
        self.Q = np.zeros((obs_n, act_n))

    # 根据输入观察值，采样输出的动作值，带探索
    def sample(self, obs):
        if np.random.uniform(0, 1) < (1.0 - self.epsilon): #根据table的Q值选动作
            action = self.predict(obs)
        else:
            action = np.random.choice(self.act_n) #有一定概率随机探索选取一个动作
        return action

    # 根据输入观察值，预测输出的动作值
    def predict(self, obs):
        Q_list = self.Q[obs, :]
        maxQ = np.max(Q_list)
        action_list = np.where(Q_list == maxQ)[0]  # maxQ可能对应多个action
        action = np.random.choice(action_list)
        return action

    # 学习方法，也就是更新Q-table的方法
    def learn(self, obs, action, reward, next_obs, next_action, done):
        """ on-policy
            obs: 交互前的obs, s_t
            action: 本次交互选择的action, a_t
            reward: 本次动作获得的奖励r
            next_obs: 本次交互后的obs, s_t+1
            next_action: 根据当前Q表格, 针对next_obs会选择的动作, a_t+1
            done: episode是否结束
        """
        predict_Q = self.Q[obs, action]
        if done:
            target_Q = reward # 没有下一个状态了
        else:
            target_Q = reward + self.gamma * self.Q[next_obs, next_action] # Sarsa
        self.Q[obs, action] += self.lr * (target_Q - predict_Q) # 修正q

    # 保存Q表格数据到文件
    def save(self):
        npy_file = './q_table.npy'
        np.save(npy_file, self.Q)
        print(npy_file + ' saved.')
    
    # 从文件中读取Q值到Q表格中
    def restore(self, npy_file='./q_table.npy'):
        self.Q = np.load(npy_file)
        print(npy_file + ' loaded.')

Training && Test（训练&&测试）

• run_episode()：agent在一个episode中训练的过程，使用agent.sample()与环境交互，使用agent.learn()训练Q表格。
• test_episode()：agent在一个episode中测试效果，评估目前的agent能在一个episode中拿到多少总reward。

def run_episode(env, agent, render=False):
    total_steps = 0 # 记录每个episode走了多少step
    total_reward = 0

    obs = env.reset() # 重置环境, 重新开一局（即开始新的一个episode）
    action = agent.sample(obs) # 根据算法选择一个动作
  
    while True:
        next_obs, reward, done, _ = env.step(env.actions[action]) # 与环境进行一个交互
        next_action = agent.sample(next_obs-1) # 根据算法选择一个动作
        
        # 训练 Sarsa 算法
        agent.learn(obs-1, action, reward, next_obs-1, next_action, done)

        action = next_action
        obs = next_obs  # 存储上一个观察值
        total_reward += reward
        total_steps += 1 # 计算step数
        if render:
            env.render() #渲染新的一帧图形
        if done:
            break
    return total_reward, total_steps


def test_episode(env, agent):
    total_reward = 0
    obs = env.reset()
    while True:
        action = agent.predict(obs-1) # greedy
        next_obs, reward, done, _ = env.step(env.actions[action])
        total_reward += reward
        obs = next_obs
        time.sleep(0.5)
        env.render()
        if done:
            break
    return total_reward

创建环境和Agent，启动训练

env = GridEnv()

agent = SarsaAgent(
    obs_n = len(env.states),    # 状态维度
    act_n = len(env.actions),   # 动作维度，有几个动作可选
    learning_rate = 0.1,        # 学习率
    gamma = 0.9,                # reward的衰减率
    e_greed = 0.1               # 按一定概率随机选动作
)

# 训练500个episode，打印每个episode的分数
for episode in range(500):
    ep_reward, ep_steps = run_episode(env, agent, True)
    print('Episode %s: steps = %s , reward = %.1f' % (episode, ep_steps, ep_reward))
print("保存权重")
agent.save()
# 全部训练结束，查看算法效果
# agent.restore()

test_reward = test_episode(env, agent)
print('test reward = %.1f' % (test_reward))
env.close()