1.强化学习的基本概念
- Agent:也就是强化学习需要学习的对象。
- Stage:就是指当前agent所处的状态。
- Action:对Agenti执行什么动作。
- Reward:一个Action返回的奖赏值。
- Policy:就是从state到action的映射,分为确定策略和与随机策略。
2.分类
- model_free:不熟悉环境,根据reward选择下一步的action(Q.Learning、Sarsa);model_based:能预判下一部的情况的。
- 基于概率选择:能输出下一步采取各种动作的概率(Policy Gradient);基于价值选择:根据最高价值选择动作。
3.Q_Learning
这里根据莫烦博客上的一个例子来阐述算法过程。https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/2-1-general-rl/;这里的例子是一个找到路径(六个节点组成)最右边的宝藏。
1.Q_table:把agent此时的的所有stage和action的reward展示出来,初始时是一个空矩阵:
def build_q_table(n_states, actions):
table = pd.DataFrame(
np.zeros((n_states, len(actions))), # q_table 全 0 初始
columns=actions, # columns 对应的是行为名称
)
return table
q_table=build_q_table(N_STATES, ACTIONS)
print(q_table)
left right
0 0.0 0.0
1 0.0 0.0
2 0.0 0.0
3 0.0 0.0
4 0.0 0.0
5 0.0 0.0
2.第二步就是从Q_table中对一个stage(第一个)然后以这个stage出发执行一个动作,然后算出此动作之后的得分,那如何选动作呢?作者给了两种,当我们第一次选时,使用随机的原则,当非第一次且随机数大于设定的贪婪值时就选择贪婪模式,即选择得分更高的那个动作。
3.环境反馈,也就是当执行完这个任务之后,此时的stage的value状态会变吧,当然这里的value并不是最终的分,还需要经过一些变换,等会会讲,并把value赋值给R
#环境反馈,每当做出一个action A之后得到的reward
def get_env_feedback(S, A):
if A == 'right': #这一步可以直到到达宝藏的终点
if S == N_STATES - 2:
S_ = 'terminal'
R = 1
else:#S的value加一
S_ = S + 1
R = 0
else:
R = 0
if S == 0:
S_ = S
else:
S_ = S - 1#S的value减一
return S_, R
4.我们对第一个stage进行选动作执行并返回value变化之后呢?现在就要判断你执行了action之后是否达到了目标终点,如果没到了,此次迭代还要继续,我们就要先更新Q_table中的得分了,即更新Q_table
R是此次Action的Reward,gamma参数实际上是对下一次stage动作奖励的递减参数,alpha就是对此次action的学习参数了。如果已经到了终点,那就把R后面那一项去掉就好了,一次迭代也随着到达终点结束。
5.完整代码:
import numpy as np
import pandas as pd
import time
N_STATES = 6 # 1维世界的宽度,就是迷宫的路径,从左到右一共六个结点
ACTIONS = ['left', 'right'] # 探索者的可用动作
EPSILON = 0.9 # 贪婪度 greedy,贪婪选择就是选择本次action中reward最大的
ALPHA = 0.1 # 学习率
GAMMA = 0.9 # 奖励递减值
MAX_EPISODES = 13 # 最大回合数
FRESH_TIME = 0.3 # 移动间隔时间
def build_q_table(n_states, actions):
table = pd.DataFrame(
np.zeros((n_states, len(actions))), # q_table 全 0 初始
columns=actions, # columns 对应的是行为名称
)
return table
q_table=build_q_table(N_STATES, ACTIONS)
print(q_table)
# 在某个 state 地点, 选择行为
def choose_action(state, q_table):
state_actions = q_table.iloc[state, :] # 选出这个 state 的所有 action 值
if (np.random.uniform() > EPSILON) or (state_actions.all() == 0): # 非贪婪 or 或者这个 state 还没有探索过
action_name = np.random.choice(ACTIONS)
else:
action_name = state_actions.argmax() # 贪婪模式
return action_name
#环境反馈,每当做出一个action A之后得到的reward
def get_env_feedback(S, A):
if A == 'right': #这一步可以直到到达宝藏的终点
if S == N_STATES - 2:
S_ = 'terminal'
R = 1
else:#S的value加一
S_ = S + 1
R = 0
else:
R = 0
if S == 0:
S_ = S
else:
S_ = S - 1#S的value减一
return S_, R
def update_env(S, episode, step_counter):
env_list = ['-']*(N_STATES-1) + ['T'] #为可视化做准备,六个 路径“-”一个终点T
if S == 'terminal':
interaction = 'Episode %s: total_steps = %s' % (episode+1, step_counter)
print('\r{}'.format(interaction), end='')
time.sleep(2)
print('\r ', end='')
else:
env_list[S] = 'o'
interaction = ''.join(env_list)
print('\r{}'.format(interaction), end='')
time.sleep(FRESH_TIME)
def rl():
q_table = build_q_table(N_STATES, ACTIONS) # 初始 q table
for episode in range(MAX_EPISODES): # 回合
step_counter = 0
S = 0 # 回合初始位置
is_terminated = False # 是否回合结束
update_env(S, episode, step_counter) # 环境更新
while not is_terminated:
A = choose_action(S, q_table) # 选行为
S_, R = get_env_feedback(S, A) # 实施行为并得到环境的反馈
q_predict = q_table.loc[S, A] # 估算的(状态-行为)值
if S_ != 'terminal':
q_target = R + GAMMA * q_table.iloc[S_, :].max() # 实际的(状态-行为)值 (回合没结束)
else:
q_target = R # 实际的(状态-行为)值 (回合结束)
is_terminated = True # terminate this episode
q_table.loc[S, A] += ALPHA * (q_target - q_predict) # q_table 更新
S = S_ # 探索者移动到下一个 state
update_env(S, episode, step_counter+1) # 环境更新
step_counter += 1
return q_table