【强化学习】python 实现 q-learning 例二

最新推荐文章于 2024-01-17 09:02:19 发布

derek881122

最新推荐文章于 2024-01-17 09:02:19 发布

阅读量651

点赞数 1

文章标签：人工智能 python

原文链接：http://www.cnblogs.com/hhh5460/p/10134855.html

版权

本文作者：hhh5460

本文地址：https://www.cnblogs.com/hhh5460/p/10134855.html

问题情境

一个2*2的迷宫，一个入口，一个出口，还有一个陷阱。如图

（图片来源：https://jizhi.im/blog/post/intro_q_learning）

这是一个二维的问题，不过我们可以把这个降维，变为一维的问题。

感谢：https://jizhi.im/blog/post/intro_q_learning。网上看了无数文章，无数代码，都不得要领！直到看了这篇里面的三个矩阵：reward，transition_matrix，valid_actions才真正理解q-learning算法如何操作，如何实现！

Kaiser的代码先睹为快，绝对让你秒懂q-learning算法，当然我也做了部分润色：

import numpy as np
import random

'''
2*2的迷宫
---------------
| 入口 |      |
---------------
| 陷阱 | 出口 |
---------------
# 来源：https://jizhi.im/blog/post/intro_q_learning

每个格子是一个状态，此时都有上下左右停5个动作

任务：通过学习，找到一条通径
'''

gamma = 0.7

#                    u,   d,   l,  r,  n
reward = np.array([( 0, -10,   0, -1, -1), #0，状态0
                   ( 0,  10,  -1,  0, -1), #1
                   (-1,   0,   0, 10, -1), #2
                   (-1,   0, -10,  0, 10)],#3
                   dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)])

q_matrix = np.zeros((4, ),
                    dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)])

transition_matrix = np.array([(-1,  2, -1,  1, 0), # 如 state:0,action:'d' --> next_state:2
                              (-1,  3,  0, -1, 1),
                              ( 0, -1, -1,  3, 2),
                              ( 1, -1,  2, -1, 3)],
                              dtype=[('u',int),('d',int),('l',int),('r',int),('n',int)])

valid_actions = np.array([['d', 'r', 'n'], #0，状态0
                          ['d', 'l', 'n'], #1
                          ['u', 'r', 'n'], #2
                          ['u', 'l', 'n']])#3


for i in range(1000):
    current_state = 0
    while current_state != 3:
        current_action = random.choice(valid_actions[current_state]) # 只有探索，没有利用
        
        next_state = transition_matrix[current_state][current_action]
        next_reward = reward[current_state][current_action]
        next_q_values = [q_matrix[next_state][next_action] for next_action in valid_actions[next_state]] #待取最大值
        
        q_matrix[current_state][current_action] = next_reward + gamma * max(next_q_values) # 贝尔曼方程（不完整）
        current_state = next_state

print('Final Q-table:')
print(q_matrix)

View Code

0.相关参数

epsilon = 0.9   # 贪婪度 greedy
alpha = 0.1     # 学习率
gamma = 0.8     # 奖励递减值

1.状态集

探索者的状态，即其可到达的位置，有4个。所以定义

states = range(4) # 状态集，从0到3

那么，在某个状态下执行某个动作之后，到达的下一个状态如何确定呢？

def get_next_state(state, action):
    '''对状态执行动作后，得到下一状态'''
    #u,d,l,r,n = -2,+2,-1,+1,0
    if state % 2 != 1 and action == 'r':    # 除最后一列，皆可向右(+1)
        next_state = state + 1
    elif state % 2 != 0 and action == 'l':  # 除最前一列，皆可向左(-1)
        next_state = state -1
    elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
        next_state = state + 2
    elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
        next_state = state - 2
    else:
        next_state = state
    return next_state

2.动作集

探索者处于每个状态时，可行的动作，只有上下左右4个。所以定义

actions = ['u', 'd', 'l', 'r'] # 动作集。上下左右，也可添加动作'n'，表示停留

那么，在某个给定的状态（位置），其所有的合法动作如何确定呢？

def get_valid_actions(state):
    '''取当前状态下的合法动作集合，与reward无关！'''
    global actions # ['u','d','l','r','n']
    
    valid_actions = set(actions)
    if state % 2 == 1:                              # 最后一列，则
        valid_actions = valid_actions - set(['r'])  # 去掉向右的动作
    if state % 2 == 0:                              # 最前一列，则
        valid_actions = valid_actions - set(['l'])  # 去掉向左
    if state // 2 == 1:                             # 最后一行，则
        valid_actions = valid_actions - set(['d'])  # 去掉向下
    if state // 2 == 0:                             # 最前一行，则
        valid_actions = valid_actions - set(['u'])  # 去掉向上
    return list(valid_actions)

3.奖励集

探索者到达每个状态（位置）时，要有奖励。所以定义

rewards = [0,0,-10,10] # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0

显然，取得某状态state下的奖励就很简单了：rewards[state] 。根据state，按图索骥即可，无需额外定义一个函数。

4.Q table

最重要。Q table是一种记录状态-行为值 (Q value) 的表。常见的q-table都是二维的，基本长下面这样：

（注意，也有3维的Q table）

所以定义

q_table = pd.DataFrame(data=[[0 for _ in actions] for _ in states],
                       index=states, columns=actions)

5.Q-learning算法

Q-learning算法的伪代码

Q value的更新是根据贝尔曼方程：

$$Q(s_t,a_t) \leftarrow Q(s_t,a_t) + \alpha[r_{t+1} + \lambda \max _{a} Q(s_{t+1}, a) - Q(s_t,a_t)] \tag {1}$$

好吧，是时候实现它了：

# 总共探索300次
for i in range(300):
    # 0.从最左边的位置开始（不是必要的）
    current_state = 0
    #current_state = random.choice(states)
    while current_state != states[-1]:
        # 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
        if (random.uniform(0,1) > epsilon) or ((q_table.ix[current_state] == 0).all()):  # 探索
            current_action = random.choice(get_valid_actions(current_state))
        else:
            current_action = q_table.ix[current_state].idxmax() # 利用（贪婪）
        # 2.执行当前动作，得到下一个状态（位置）
        next_state = get_next_state(current_state, current_action)
        # 3.取下一个状态所有的Q value，待取其最大值
        next_state_q_values = q_table.ix[next_state, get_valid_actions(next_state)]
        # 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
        q_table.ix[current_state, current_action] += alpha * (rewards[next_state] + gamma * next_state_q_values.max() - q_table.ix[current_state, current_action])
        # 5.进入下一个状态（位置）
        current_state = next_state

print('\nq_table:')
print(q_table)

可以看到，与例一的代码一模一样，不差一字！

6.环境及其更新

这里的环境貌似必须用到GUI，有点麻烦；而在命令行下，我又不知如何实现。所以暂时算了，不搞了。

7.完整代码

'''
最简单的四个格子的迷宫
---------------
| start |     |
---------------
|  die  | end |
---------------

每个格子是一个状态，此时都有上下左右4个动作

作者：hhh5460
时间：20181217
'''

import pandas as pd
import random

epsilon = 0.9   # 贪婪度 greedy
alpha = 0.1     # 学习率
gamma = 0.8     # 奖励递减值

states = range(4)       # 0, 1, 2, 3 四个状态
actions = list('udlr') # 上下左右 4个动作。还可添加动作'n'，表示停留
rewards = [0,0,-10,10] # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0


q_table = pd.DataFrame(data=[[0 for _ in actions] for _ in states],
                       index=states, columns=actions)

def get_next_state(state, action):
    '''对状态执行动作后，得到下一状态'''
    #u,d,l,r,n = -2,+2,-1,+1,0
    if state % 2 != 1 and action == 'r':    # 除最后一列，皆可向右(+1)
        next_state = state + 1
    elif state % 2 != 0 and action == 'l':  # 除最前一列，皆可向左(-1)
        next_state = state -1
    elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
        next_state = state + 2
    elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
        next_state = state - 2
    else:
        next_state = state
    return next_state
        

def get_valid_actions(state):
    '''取当前状态下的合法动作集合
    global reward
    valid_actions = reward.ix[state, reward.ix[state]!=0].index
    return valid_actions
    '''
    # 与reward无关！
    global actions
    valid_actions = set(actions)
    if state % 2 == 1:                              # 最后一列，则
        valid_actions = valid_actions - set(['r'])  # 无向右的动作
    if state % 2 == 0:                              # 最前一列，则
        valid_actions = valid_actions - set(['l'])  # 无向左
    if state // 2 == 1:                             # 最后一行，则
        valid_actions = valid_actions - set(['d'])  # 无向下
    if state // 2 == 0:                             # 最前一行，则
        valid_actions = valid_actions - set(['u'])  # 无向上
    return list(valid_actions)
    
    
# 总共探索300次
for i in range(300):
    # 0.从最左边的位置开始（不是必要的）
    current_state = 0
    #current_state = random.choice(states)
    while current_state != states[-1]:
        # 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
        if (random.uniform(0,1) > epsilon) or ((q_table.ix[current_state] == 0).all()):  # 探索
            current_action = random.choice(get_valid_actions(current_state))
        else:
            current_action = q_table.ix[current_state].idxmax() # 利用（贪婪）
        # 2.执行当前动作，得到下一个状态（位置）
        next_state = get_next_state(current_state, current_action)
        # 3.取下一个状态所有的Q value，待取其最大值
        next_state_q_values = q_table.ix[next_state, get_valid_actions(next_state)]
        # 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
        q_table.ix[current_state, current_action] += alpha * (rewards[next_state] + gamma * next_state_q_values.max() - q_table.ix[current_state, current_action])
        # 5.进入下一个状态（位置）
        current_state = next_state

print('\nq_table:')
print(q_table)

8.效果图

9.补充

又搞了一个numpy版本，比pandas版本的快了一个数量级！！代码如下

'''
最简单的四个格子的迷宫
---------------
| start |     |
---------------
|  die  | end |
---------------

每个格子是一个状态，此时都有上下左右停5个动作
'''

# 作者：hhh5460
# 时间：20181218

import numpy as np


epsilon = 0.9   # 贪婪度 greedy
alpha = 0.1     # 学习率
gamma = 0.8     # 奖励递减值

states = range(4)       # 0, 1, 2, 3 四个状态
actions = list('udlrn') # 上下左右停 五个动作
rewards = [0,0,-10,10]  # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0


# 给numpy数组的列加标签，参考https://cloud.tencent.com/developer/ask/72790
q_table = np.zeros(shape=(4, ), # 坑二：这里不能是(4,5)!!
                   dtype=list(zip(actions, ['float']*5)))
                   #dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)])
                   #dtype={'names':actions, 'formats':[float]*5})

def get_next_state(state, action):
    '''对状态执行动作后，得到下一状态'''
    #u,d,l,r,n = -2,+2,-1,+1,0
    if state % 2 != 1 and action == 'r':    # 除最后一列，皆可向右(+1)
        next_state = state + 1
    elif state % 2 != 0 and action == 'l':  # 除最前一列，皆可向左(-1)
        next_state = state -1
    elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
        next_state = state + 2
    elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
        next_state = state - 2
    else:
        next_state = state
    return next_state
        

def get_valid_actions(state):
    '''取当前状态下的合法动作集合，与reward无关！'''
    global actions # ['u','d','l','r','n']
    
    valid_actions = set(actions)
    if state % 2 == 1:                              # 最后一列，则
        valid_actions = valid_actions - set(['r'])  # 去掉向右的动作
    if state % 2 == 0:                              # 最前一列，则
        valid_actions = valid_actions - set(['l'])  # 去掉向左
    if state // 2 == 1:                             # 最后一行，则
        valid_actions = valid_actions - set(['d'])  # 去掉向下
    if state // 2 == 0:                             # 最前一行，则
        valid_actions = valid_actions - set(['u'])  # 去掉向上
    return list(valid_actions)
    
    
for i in range(1000):
    #current_state = states[0] # 固定
    current_state = np.random.choice(states,1)[0]
    while current_state != 3:
        if (np.random.uniform() > epsilon) or ((np.array(list(q_table[current_state])) == 0).all()):  # q_table[current_state]是numpy.void类型，只能这么操作！！
            current_action = np.random.choice(get_valid_actions(current_state), 1)[0]
        else:
            current_action = actions[np.array(list(q_table[current_state])).argmax()] # q_table[current_state]是numpy.void类型，只能这么操作！！
        next_state = get_next_state(current_state, current_action)
        next_state_q_values = [q_table[next_state][action] for action in get_valid_actions(next_state)]
        q_table[current_state][current_action] = rewards[next_state] + gamma * max(next_state_q_values)
        current_state = next_state
        
        
print('Final Q-table:')
print(q_table)

View Code

10.补充2：三维Q table实现！

经过不断的试验，终于撸出了一个三维版的Q table，代码如下！

'''
最简单的四个格子的迷宫
---------------
| start |     |
---------------
|  die  | end |
---------------

每个格子是一个状态，此时都有上下左右停5个动作
'''

'''三维 Q table 版！！'''

# 作者：hhh5460
# 时间：20181218

import numpy as np
import random # np.random.choice不能选二维元素！

epsilon = 0.9   # 贪婪度 greedy
alpha = 0.1     # 学习率
gamma = 0.8     # 奖励递减值

states = [(0,0),(0,1),(1,0),(1,1)] #状态集，四个位置
actions = [(-1,0),(1,0),(0,-1),(0,1)] #动作集，上下左右
rewards = [[  0., 0.],    # 奖励集
           [-10.,10.]]

# q_table是三维的，注意把动作放在了第三维！
# 最里面的[0.,0.,0.,0.]表示某一个状态（格子）对应的四个动作“上下左右”的Q value
q_table = np.array([[[0.,0.,0.,0.],[0.,0.,0.,0.]],
                    [[0.,0.,0.,0.],[0.,0.,0.,0.]]])

def get_next_state(state, action):
    '''对状态执行动作后，得到下一状态'''
    if ((state[1] == 1 and action == (0,1))  or # 最后一列、向右
        (state[1] == 0 and action == (0,-1)) or # 最前一列、向左
        (state[0] == 1 and action == (1,0))  or # 最后一行、向下
        (state[0] == 0 and action == (-1,0))):  # 最前一行、向上
        next_state = state
    else:
        next_state = (state[0] + action[0], state[1] + action[1])
    return next_state
    
def get_valid_actions(state):
    '''取当前状态下的合法动作集合'''
    valid_actions = []
    if state[1] < 1:  # 除最后一列，可向右
        valid_actions.append((0,1))
    if state[1] > 0:  # 除最前一列，可向左(-1)
        valid_actions.append((0,-1))
    if state[0] < 1:  # 除最后一行，可向下
        valid_actions.append((1,0))
    if state[0] > 0:  # 除最前一行，可向上
        valid_actions.append((-1,0))
    return valid_actions

# 总共探索300次
for i in range(1000):
    # 0.从最左边的位置开始（不是必要的）
    current_state = (0,0)
    #current_state = random.choice(states)
    #current_state = tuple(np.random.randint(2, size=2))
    while current_state != states[-1]:
        # 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
        if (np.random.uniform() > epsilon) or ((q_table[current_state[0],current_state[1]] == 0).all()):  # 探索
            current_action = random.choice(get_valid_actions(current_state))
        else:
            current_action = actions[q_table[current_state[0],current_state[1]].argmax()] # 利用（贪婪）
        # 2.执行当前动作，得到下一个状态（位置）
        next_state = get_next_state(current_state, current_action)
        # 3.取下一个状态所有的Q value，待取其最大值
        next_state_q_values = [q_table[next_state[0],next_state[1],actions.index(action)] for action in get_valid_actions(next_state)]
        # 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
        q_table[current_state[0],current_state[1],actions.index(current_action)] += alpha * (rewards[next_state[0]][next_state[1]] + gamma * max(next_state_q_values) - q_table[current_state[0],current_state[1],actions.index(current_action)])
        # 5.进入下一个状态（位置）
        current_state = next_state


print('\nq_table:')
print(q_table)

View Code

11.课后思考题

有缘看到此文的朋友，请尝试下实现更大规模的迷宫问题，评论交作业哦。迷宫如下：

（图片来源：https://jizhi.im/blog/post/intro_q_learning）

转载于:https://www.cnblogs.com/hhh5460/p/10134855.html

derek881122

关注

1
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
【强化学习】python 实现 q-learning 例二

本文作者：hhh5460本文地址：https://www.cnblogs.com/hhh5460/p/10134855.html问题情境一个2*2的迷宫，一个入口，一个出口，还有一个陷阱。如图（图片来源：https://jizhi.im/blog/post/intro_q_learning）这是一个二维的问题，不过我们可以把这个降维，变为一维的问题。感谢：htt...
复制链接

扫一扫