强化学习有两种常见迭代训练算法:策略迭代算法和值迭代算法。本文中主要讲述策略迭代算法。
先从一个简答的问题开始,下图为一个四方格子,每个位置的状态空间分别为{1, 2, 3, 4}, 其中 3 的位置是个陷阱, 4的位置有个金币。有一个机器人从状态1的位置开始寻找金币。落入陷阱的回报为-1,找到金币的回报为1,在其他位置间移动回报为0,可选的动作空间为{上,下,左,右}, 通过这个简单的问题,来学习强化学习的学习原理。
强化学习的学习过程,个人理解就是通过不断的尝试,去更新每个状态的值函数(每个状态的值代表了当前状态的优劣,如果状态值很大,从其他状态选择一个动作,转移到该状态便是一个正确的选择),然后通过更新后的值函数去动态的调整策略,在调整策略后,又去更新值函数,不断的迭代更新,最后训练完成一个满足要求的策略。在这个过程中,抽象出两个主要的过程,第一个叫策略评估,第二个叫策略改善。
针对上面给出的简单问题,先说明一些简单的概念:
每个状态的值函数:
代表机器人处于该状态时的优劣值。
针对问题的当前策略:
代表机器人处于某状态时,选择的下一步动作。对于选择的下一步动作,可以是确定式的,比如当机器人处于1位置的时候,确定的只选择往右走。也可以是概率式的,可以0.5的概率选择往右走, 0.5的概率选择往下走。当然确定式策略选择是概率式的策略选择的一种特例。下文中采用确定式策略进行描述
策略评估:
策略评估就是通过某种方式,计算状态空间中每个状态的值函数。由于状态空间之间存在很多转移关系,要直接计算某个状态的值函数,是很困难的,一般采用
迭代方法。
策略改善:
对策略的改善,即通过当前拥有的信息,对当前策略进行优化,修改当前策略。
############################## 策略评估的过程
初始化的策略和值函数。
对于这个简单的例子,通过一步计算便得到了稳定的值函数,但是对于大多数的问题,都需要通过多步的迭代,才能得到稳定的值函数。
############################## 策略改善的过程
对于这个简单的例子,采用贪心的方式对策略进行改善,通过上一步策略评估过程计算出的稳定的值函数,让每个状态在选择下一步动作的时候,选择使动作收益最大的动作。
总结
强化学习策略迭代算法的过程就是不断的重复 策略评估 和 策略改善的过程,直到整个策略收敛(值函数和策略不再发生大的变化)
gym的样例代码展示
上述的简单示例,简单描述了强化学习的策略迭代算法的过程,下面将问题搞复杂一点,通过对该问题进行编程,加深对策略迭代算法的理解。新问题的空间状态如下图所示。
该图的状态空间由下置上,从左到右,分别为1 – 36
import numpy as np
import random
from gym import spaces
import gym
from gym.envs.classic_control import rendering
#模拟环境类
class GridWorldEnv(gym.Env):
#相关的全局配置
metadata = {
'render.modes':['human', 'rgb_array'],
'video.frames_per_second': 2
}
def __init__(self):
self.states = [i for i in range(1, 37)] #初始化状态
self.terminate_states = [3, 7, 11, 15, 19, 20, 23, 30, 33, 34] #终结态
self.actions = ['up', 'down', 'left', 'right'] #动作空间
self.v_states = dict() #状态的值空间
for state in self.states:
self.v_states[state] = 0.0
for state in self.terminate_states: #先将所有陷阱和黄金的值函数初始化为-1.0
self.v_states[state] = -1.0
self.v_states[34] = 1.0 #黄金的位置值函数初始化为 1
self.initStateAction() #初始化每个状态的可行动作空间
self.initStatePolicyAction()