寻宝 Q-learning改版,显示Q表更新,注解版

import numpy as np
import pandas as pd
import time
#
np.random.seed(2)# 再生成一个随机数种子

N_STATES = 6 # 状态数
ACTIONS = ["left", "right"] # 动作
EPCILON = 0.9# 贪婪度
ALPHA = 0.1# 学习率
GAMMA = 0.9# 奖励递减值
MAX_EPISODE = 13# 最大回合数
FRESH_TIME = 0.1# 更新间隔


def build_q_table(n_states, actions):#建立q表
    table = pd.DataFrame(np.zeros((n_states, len(actions))), columns=actions)#初始化q表
    # print(table)
    return table


def choose_action(state, table):#选择动作
    actions = table.iloc[state, :]
    if np.random.uniform() > EPCILON or actions.all() == 0:
        action = np.random.choice(ACTIONS)
    else:
        action = actions.idxmax()
    return action


def env_feedback(S, A):#环境反馈
    if A == "right":
        if S == N_STATES - 2:
            S_ = "terminal"
            reward = 1
        else:
            S_ = S + 1
            reward = 0
    else:
        if S == 0:
            S_ = S
        else:
            S_ = S - 1
        reward = 0
    return S_, reward


def print_env(S, episode, step_counter):#打印环境
    env_list = ['-'] * (N_STATES - 1) + ['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 q_learning():#q学习
    q_table = build_q_table(N_STATES, ACTIONS)#建立q表

    for episode in range(MAX_EPISODE):#执行最大次数
        is_terminated = False
        step_counter = 0
        S = 0
        print_env(S, episode, step_counter)
        while not is_terminated:
            A = choose_action(S, q_table)#选择动作
            S_, r = env_feedback(S, A)#环境反馈
            q_predict = q_table.loc[S, A]

            if S_ == "terminal":#如果终止状态
                q_target = r
                is_terminated = True
                print(q_table)
                print('第'+str(episode+1)+'次')
                print('总共'+str(step_counter+1)+'步')
                # print( )
            else:#如果不是终止状态
                q_target = r + GAMMA * q_table.iloc[S_, :].max()#计算q值
                print('Q值为:'+str(q_target))#打印q值
                print('S_max值为:' + str(q_table.iloc[S_, :].max()))  # 打印q值

            q_table.loc[S, A] += ALPHA * (q_target - q_predict)#更新q表
            S = S_
            step_counter += 1
            print_env(S, episode, step_counter)
            print('\n'+'走了第'+str(step_counter)+'步')
            print('跟新后Q表:'+'\n'+str(q_table))

    return q_table


if __name__ == "__main__":#主函数
    q_table = q_learning()
    # print(q_table)



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

黑森林法则

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值