强化学习Q-Learning算法及实现详解

本教程通过一个简单但全面的示例介绍Q-learning的概念。 该示例描述了一个使用无监督学习的过程。

假设我们在一个建筑物中有5个房间，这些房间由门相连，如下图所示。 我们将每个房间编号为0到4。建筑物的外部可以视为一个大房间（5）。 请注意，1号和4号门从5号房间（外部）通向建筑物。

我们可以在图表上表示房间，每个房间作为节点，每个门作为链接。

对于此示例，我们想在任何房间中放置一个门，然后从该房间进入建筑物外（这将是我们的目标房间）。换句话说，目标房间是5号。要将此房间设置为目标，我们会将奖励值关联到每个门（即节点之间的链接）。立即通向目标的门的即时奖励为100。未直接连接到目标房间的其他门的奖励为0。由于门是双向的，因此每个房间都有两个箭头。每个箭头都包含一个即时奖励值，如下所示：

当然，房间5会以100的奖励返回自己，而与目标室的所有其他直接连接也会获得100的奖励。在Q-learning中，目标是达到最高奖励的状态，因此如果到达目标，它将停止。这种目标称为 “absorbing goal”。

想象一个可以从经验中学习的愚蠢的虚拟机器人。它可以从一个房间到另一个房间，但不了解环境，也不知道怎么走才能顺序通往外面。

现在假设我们在2号房间有一个机器人，我们希望它能走到5（屋外）。

Q-learning中有两个术语"state" 、“action”。

我们将每个房间（包括外部房间）称为“state”，从一个房间到另一个房间的移动将称为“action”。在我们的图中，“action”被描述为一个节点，而“state”则由箭头表示。

假设现在处于2，因为2已连接到3，所以它可以从2进入3。但是，由于没有直接的门连接房间1和2（因此，没有箭头）。从3开始，它可以进入1或4，也可以回到2（查看关于3的所有箭头）。如果处于4，则三个可能的动作是进入0、5或3。如果处于1，则它可以进入5或3。从0它只能进入4。

介绍两个概念：

• reward 　(当做出一个选择，环境给的回馈，这个是固定不变的，是先验信息)
• Ｑ矩阵（和随机过程的Ｑ矩阵稍有不同，相当于机器人的大脑，通过算法训练出来，再拿来做决策）

Q-learning算法：

根据算法初始化reward 矩阵Ｒ (根据上面的房间，-1表示不可以通过，0表示可以通过，100表示直接到达终点：

初始化一个与Ｒ同阶 的矩阵　Ｑ(表示做出选择，可能在将来得到奖励的期望)，初始化为０矩阵

Q阵的更新公式为：

一般将贪婪因子\gamma设置为０．８，Q表示的是，在状态s下采取动作a能够获得的期望最大收益，R是立即获得的收益，而未来一期的收益则取决于下一阶段的动作。

• 计算过程
  随机选择一个状态，比如1，查看状态1所对应的R表，也就是1可以到达3或5，随机地，我们选择5，根据转移方程：
  
  又随机选中了３状态 ，3对应的下一个状态有（1，2，4都是状态3对应的非负状态），随机地，我们选择1，这样根据算法更新：
  
  经过两次更新，Ｑ阵变成了 ：
  
  经过多次更新以后，然后进行归一化，Ｑ阵变成了;
  

将Ｑ阵转移到房间的抽象图上

下面就可以使用Ｑ矩阵来做出最优解了

在入口进入(2是入口),选择权值最大的路径，３ -> １ -> ５

代码实现：

import numpy as np

# R matrix
R = np.matrix([ [-1,-1,-1,-1,0,-1],
		[-1,-1,-1,0,-1,100],
		[-1,-1,-1,0,-1,-1],
		[-1,0,0,-1,0,-1],
		[-1,0,0,-1,-1,100],
		[-1,0,-1,-1,0,100] ])

# Q matrix
Q = np.matrix(np.zeros([6,6]))

# Gamma (learning parameter).
gamma = 0.8

# Initial state. (Usually to be chosen at random)
initial_state = 1

# This function returns all available actions in the state given as an argument
def available_actions(state):
    current_state_row = R[state,]
    av_act = np.where(current_state_row >= 0)[1]
    return av_act

# Get available actions in the current state
available_act = available_actions(initial_state) 

# This function chooses at random which action to be performed within the range 
# of all the available actions.
def sample_next_action(available_actions_range):
    next_action = int(np.random.choice(available_act,1))
    return next_action

# Sample next action to be performed
action = sample_next_action(available_act)

# This function updates the Q matrix according to the path selected and the Q 
# learning algorithm
def update(current_state, action, gamma):
    
    max_index = np.where(Q[action,] == np.max(Q[action,]))[1]

    if max_index.shape[0] > 1:
        max_index = int(np.random.choice(max_index, size = 1))
    else:
        max_index = int(max_index)
    max_value = Q[action, max_index]
    
    # Q learning formula
    Q[current_state, action] = R[current_state, action] + gamma * max_value

# Update Q matrix
update(initial_state,action,gamma)

#-------------------------------------------------------------------------------
# Training

# Train over 10 000 iterations. (Re-iterate the process above).
for i in range(10000):
    current_state = np.random.randint(0, int(Q.shape[0]))
    available_act = available_actions(current_state)
    action = sample_next_action(available_act)
    update(current_state,action,gamma)
    
# Normalize the "trained" Q matrix
print("Trained Q matrix:")
print(Q/np.max(Q)*100)

#-------------------------------------------------------------------------------
# Testing

# Goal state = 5
# Best sequence path starting from 2 -> 2, 3, 1, 5

current_state = 2
steps = [current_state]

while current_state != 5:

    next_step_index = np.where(Q[current_state,] == np.max(Q[current_state,]))[1]
    
    if next_step_index.shape[0] > 1:
        next_step_index = int(np.random.choice(next_step_index, size = 1))
    else:
        next_step_index = int(next_step_index)
    
    steps.append(next_step_index)
    current_state = next_step_index

# Print selected sequence of steps
print("Selected path:")
print(steps)

参考：
http://mnemstudio.org/path-finding-q-learning-tutorial.htm
https://blog.csdn.net/qq_42105426/article/details/88679907
https://zhuanlan.zhihu.com/p/36669905