q-learn

 

import numpy as np
a = np.zeros(16)
a[6]=-1
a[9]=-1
a[10]=1
a = np.reshape (a,(4,4))
print(a)

mapp = a
qtable = np.zeros((16,4))# up ,down, left ,right score
rate = 0.4#learning rate
y = 0.4
row = 0
col =0

loop = 1000

while True:
  loop =loop -1;
  if(loop<0):
    break
  for row in range(4):
    for col in range(4):
      qind = row*4+col
      #up
      rowt = row -1
      if(rowt<0 or mapp[rowt,col] ==-1):
        qtable[qind,0]= qtable[qind,0] +(-1*rate)
      else:
        qtable[qind,0]= qtable[qind,0] +\
        (mapp[rowt,col]+y*max(qtable[rowt*4+col,:]- qtable[qind,0]))*rate


      #down
      rowt = row +1
      if(rowt>3 or mapp[rowt,col] ==-1):
        qtable[qind,1]= qtable[qind,1] +(-1*rate)
      else:
        qtable[qind,1]= qtable[qind,1] +\
        (mapp[rowt,col]+y*max(qtable[rowt*4+col,:]- qtable[qind,1]))*rate



      #left
      colt = col -1
      if(colt<0  or mapp[row,colt] ==-1):
        qtable[qind,2]= qtable[qind,2] +(-1*rate)
      else:
        qtable[qind,2]= qtable[qind,2] +\
        (mapp[row,colt]+y*max(qtable[row*4+colt,:]- qtable[qind,2]))*rate

        #(mapp[row,colt])*rate  


      #down
      colt = col +1
      if(colt>3 or mapp[row,colt] ==-1):
        qtable[qind,3]= qtable[qind,3] +(-1*rate)  
      else:
        qtable[qind,3]= qtable[qind,3] +\
        (mapp[row,colt]+y*max(qtable[row*4+colt,:]- qtable[qind,3]))*rate
        #(mapp[row,colt])*rate  

print(qtable)

a@ubuntu:~$ python3 qLearn.py 
[[ 0.  0.  0.  0.]
 [ 0.  0. -1.  0.]
 [ 0. -1.  1.  0.]
 [ 0.  0.  0.  0.]]
[[-400.          211.21810019 -400.          211.21810019]
 [-400.          210.07679584  210.07679584  212.57679584]
 [-400.         -400.          211.43549149  213.93549149]
 [-400.          215.29418715  212.79418715 -400.        ]
 [ 210.07679584  212.57679584 -400.          210.07679584]
 [ 211.43549149 -400.          211.43549149 -400.        ]
 [ 212.79418715  217.79418715  210.29418715  215.29418715]
 [ 214.1528828   216.6528828  -400.         -400.        ]
 [ 211.43549149  213.93549149 -400.         -400.        ]
 [ 210.29418715  215.29418715  212.79418715  217.79418715]
 [-400.          216.6528828  -400.          216.6528828 ]
 [ 215.51157845  215.51157845  218.01157845 -400.        ]
 [ 212.79418715 -400.         -400.          215.29418715]
 [-400.         -400.          214.1528828   216.6528828 ]
 [ 218.01157845 -400.          215.51157845  215.51157845]
 [ 216.8702741  -400.          216.8702741  -400.        ]]
 

https://www.jianshu.com/p/1db893f2c8e4

继续接着上一篇，这篇文章介绍强化学习中的一个经典算法——Q Learning.

在之前的文章中已经介绍过了，强化学习就是让机器人(Agent)在与环境的互动过程学习解决问题的最佳路径的过程。

强化学习通常包括这么几个重要概念：

• 状态(State (S))
• 动作(Action(A))
• 奖励(Reward(R))

下面以一个例子来解释这几个概念，并介绍一下Q Learning是什么：

上图红色方框就是我们的机器人，任务是要在4x4的迷宫中找到黄色圆圈的宝藏，并学习到达宝藏的最佳路径。如果以左上角的初始状态为S0，那么整个迷宫一共有16个状态(State)（从左到右从上到下分别是S0到S15）。机器人的行动（Action）有四个: 分别是向左(A1)向右(A2)向上(A3)和向下(A4)移动。如果找到黄色圆圈(宝藏)奖励(Reward)为1，掉入黑色陷阱奖励(Reward)为-1，其他地方为0。

 

1. Q表(Q table)

Q Learning 就是创造一个Q表，来指导机器人的行动，Q表对应Action的数值越大，机器人就越大概率地采取这个Action.

Q table (States\Actions)	left (A1)	right (A2)	up (A3)	down (A4)
S0	-1	3	-1	2
S1	1	2	-1	1
...	...	...	...	..

比如Q表在S0最大概率会向右移动，在S1最大概率还是向右移动，因为A2在两个状态的Q表数值都是最大的。

这个Q表是经过学习之后的结果，学习并不断更新这个表的过程就是Q Learning。

2. 探索-利用困境(Explore-Exploit dilemma)

Q Learning 是如何学习并更新Q表呢？正如多臂老虎机(Multi-armed bandit)问题一样，如果机器人仅仅按照表中最大概率指导行动的话，是学不到任何东西的，它还需要不停地在未知地图上进行探索，这就是是探索-利用困境(Explore-Exploit dilemma)。同样的，我们也可以用ε贪婪方法(ε -Greedy method)的方法来解决这个困境。

也就是设定一个ε(比如0.9)，90%的几率按照Q表数值最大Action行动，10%随机行动。每行动一次就要更新一下Q表。

3. 如何更新Q表

Q learning的算法就是如何更新Q表的方法。还是以表下为例：

Q table (States\Actions)	left (A1)	right (A2)	up (A3)	down (A4)
S0	-1	3	-1	2
S1	1	2	-1	1

当机器人处于S0的状态时，如果刚好选择了A2，那么下一个状态就是S1（注意有10%的概率会选择其他的Action, 而到达其他的状态)。行动之后，我们就需要更新Q(S0,A2)的数值, 先给结果吧：

Q(S0,A2) = Q(S0,A2) + α[R(S1) + γ*maxa Q(S1,a)-Q(S0,A2)]

解释一下

• R(S1)是机器人在S1能活的的奖励(Reward)(该游戏除了陷阱的地方为-1，宝藏的地方为1，其他地方均为0)。
• γ为衰减值。
• maxa Q(S1,a)是S1状态下Q表数值最大的一个(这里是2)。
• α是学习速率(Learning Rate)。
• R(S1) + γ*maxa Q(S1,a)是Q(S0,A2) 的目标数值。

那我们再把公式重写一遍就清楚了吧：

Q(S0,A2)新=Q(S0,A2) 旧 + α* [Q(S0,A2)目标 - Q(S0,A2)旧]

上面的公式像极了在线性回归中的梯度下降法(Gradient Descent)。只不过在线性回归我们更新权重W的方法，在这里我们更新Q表而已。

完整的公式如下：

 

4. 衰减值

这里再解释一下为什么要用衰减值 γ，从上面的公式可以看出，St 和 St+1是一个递归的关系。当机器人走到第n步的时候，会受到0到n-1每一步状态的影响。如果衰减值γ=1，那么每一步的影响都是一样的。γ在0到1之间，就可以让越靠近n的状态对第n步影响越大，之前的状态随着行动的增加，影响力会越来越小。

作者：Hongtao洪滔
链接：https://www.jianshu.com/p/1db893f2c8e4
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。