很神奇的是使用简单的控制策略就可以达到特别好的效果
这次记录的是使用模拟退火Simulated Annealing 算法,这与前阶段使用强化神经网络的算法截然不同,算法简单效果意想不到。
这个算法是借鉴了http://blog.csdn.net/songrotek/article/details/51307980,由于openai gym的网站上代码下载打不开,所以就自己重现了一遍。
思路:
对于CartPole倒立摆,其控制输出 A 很简单,就是向左或者向右。输入 O 就是车的位置,速度,杆的角度,角速度。
为了应用SA,首先需要构造一个从输入到输出的映射:
那么这里显然我们可以使用最简单的映射,就是线性映射:
w 即为参数向量。模拟退火就来改这些参数,从而得到一个新的“点”。
再下来的问题就是如何判断w好坏了,想法也很简单,每次运行一次episode即一次实验,累加计算得到的reward值,用Score得分表示,代表这个参数效果更好。
具体流程:1,初始化weight ,weight_best, change_alpha,score。分别代表权重,最优的权重,每次调整的随机系数,每回合的得分
2,for episode:
weight= weight_best
环境重置,obs=env.reset()
score=0
weight+=change_alpha*随机数(4维)
while True:
环境渲染
计算action np.sum(np.mutiply(weight,obs)
action截断为左右两个值,简单的 if >0 1 esle 0
仿真一步,得到环境变量 obs_,reward,done,info = env.step(action)
累加reward ,score+=reward
if done:
判断当前回合得分是否比以前好,如果好更新weight_best,同时change_alpha减小*=0.5
否则,change_alpha增大*=2
obs=obs_
结论:
每次得到比较好的效果随机性很大,最快10个回合就得到最优,有时候要3,4十个回合,而且每次的weight相差很大,但都能比较快的收敛
具体代码:https://github.com/billchent/RL_exercie/blob/master/SA_CartPole