强化学习笔记（二）---- 策略迭代算法

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()