第三章、基于表格方法求RL(2)-Q-learning
主要内容为题主在学习机器学习时记录的内容
文章目录
一、On-Policy与Off-Policy
1.1 On-Policy
即行为策略与目标策略相同,它的特点是:the target and the behavior polices are the same。 Sarsa 就是一种典型的 On-Policy,他优化的是他实际上执行的策略,直接拿下一步一定会执行的action来优化表格。
所以只用一种策略来做action选取和优化。
它最终的结果为,即使下一步会有随机动作,但仍然在安全范围内。
1.2 Off-Policy
与 On-Policy 不同的是,Off-Policy保留了两种策略,一个为希望得到的目标策略:Target policy,另外一个为探索环境的行为策略:Behavior policy,它可以大胆的探索数据,且将结果喂给目标策略进行学习。
注意,这里返回的数据为(St,At,Rt+1,St+1),没有A。即目标策略优化时,不管下一步的操作是什么。
行为策略就像一个天不怕地不怕的调查展示,无所畏惧的对每一种操作进行调查,然后将结果反馈给军师-目标策略。军师可以根据经验进行学习,不需要与环境进行交互。
1.3 对比
因为 Off-Policy 使用了目标策略和行为策略,所以他可以大胆地使用行为策略去探索,而使用目标策略来学习择优。
二、Q-learning
2.1 Q-learning介绍
Q-learning 是一种典型的 On-policy 策略。Q-learning也是采用Q表格的方式存储Q值(状态动作价值),决策部分与Sarsa是一样的,采用ε-greedy方式增加探索。
Q-learning跟Sarsa不一样的地方是更新Q表格的方式。Sarsa是on-policy的更新方式,先做出动作再更新。Q-learning是off-policy的更新方式,更新learn()时无需获取下一步实际做出的动作next_action,并假设下一步动作是取最大Q值的动作。
2.2 概念
2.2.1 更新公式
更新公式与Sarsa的更新公式并没有太大的区别。
2.2.2 Target
他们的区别主要在 Target 的计算上。
Sarsa使用自己的策略来产生 S-A-R-S’-A’ 这条道路,然后用Q去更新Q值。
而Q-learning 则默认下一个动作为Q最大的动作,即使可能有几率选择其他的动作。
即Q-learning其实更大胆,更贪心。
2.2.3 算法流程
2.3 代码
2.3.1 agent
如Sarsa,sample函数用来采样,predict用来预测。
class QLearningAgent(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)