Q-learning实战(一) —— 一维寻宝

Q-learning的简单实现

效果就是

 

建立Q-table

import numpy as np
import pandas as pd
import time


np.random.seed(2)


N_STATES = 6  #多少种状态  也就是最开始的距离离宝藏的距离有多少步
ACTIONS = ['left','right'] #动作
EPSILON = 0.9 #greedy policy
ALPHA = 0.1 #学习率
LAMBDA = 0.9 #未来奖励的衰减因子
MAX_EPISODES = 13 #最多只玩13回合
FRESH_TIME = 0.3 #0.3秒走一步

#建立Q-table
def build_q_table(n_states, actions):
    table = pd.DataFrame(
        np.zeros((n_states, len(actions))),      #Q-table初始值
        columns=actions,
    )
    print(table)
    return table


build_q_table(N_STATES, ACTIONS)

 

完整的

import numpy as np
import pandas as pd
import time


np.random.seed(2)


N_STATES = 6  #多少种状态  也就是最开始的距离离宝藏的距离有多少步
ACTIONS = ['left','right'] #动作
EPSILON = 0.9 #greedy policy
ALPHA = 0.1 #学习率
LAMBDA = 0.9 #未来奖励的衰减因子
MAX_EPISODES = 13 #最多只玩13回合
FRESH_TIME = 0.1 #0.1秒走一步

#建立Q-table
def build_q_table(n_states, actions):
    table = pd.DataFrame(
        np.zeros((n_states, len(actions))),      #Q-table初始值
        columns=actions,
    )
    print(table)
    return table


#如何选择动作
def choose_action(state, q_table):
    state_actions = q_table.iloc[state, :]
    # print('-------------')
    # print(state_actions)
    # print('------------')
    if (np.random.uniform() > EPSILON) or (state_actions.all() == 0):
        # 10%的情况或者是初始化的时候,随机选择action
        action_name = np.random.choice(ACTIONS)
    else:
        # 90%的情况选择使得q值最大的action
        action_name = state_actions.idxmax()
    return action_name


#环境对我们行为的反馈
def get_env_feedback(S,A):
    #s_为下一个状态,R为reward
    if A == 'right':
        if S == N_STATES - 2:   #再往右走就到终点了
            S_ = 'terminal'
            R = 1
        else:
            S_ = S+1
            R = 0
    else:   # A='left
        R = 0
        if S == 0:
            S_ =S  #当位于最左边的时候,就不能往左走了,待在原地
        else:
            S_ =S-1
    return S_,R


#建立环境
def update_env(S, episode, step_counter):
    # 更新环境,到达最右端就是胜利,在一维的环境移动
    env_list = ['-'] * (N_STATES - 1) + ['T']  # '-----T'就是环境
    if S == 'terminal':
        interaction = 'Episode %s: total_steps = %s' % (episode + 1, step_counter)
        print('\r{}'.format(interaction), end='')
        time.sleep(2)
        print('\r                              ', end='')
    else:
        env_list[S] = 'o'
        interaction = ''.join(env_list)
        print('\r{}'.format(interaction), end='')
        time.sleep(FRESH_TIME)


#主循环
def rl():  #reinforcement learning
    q_table = build_q_table(N_STATES, ACTIONS)
    for episode in range(MAX_EPISODES):
        step_counter = 0

        #初始化状态
        S = 0   #初始state.   S的值就是数字,1,2,3,4......

        is_terminated = False   #是否是终止符,是的话就结束这一回合

        #首先更新环境
        update_env(S,episode,step_counter)

        while not is_terminated:
            #选择action
            A = choose_action(S, q_table)  #A就是left或者right

            S_, R =get_env_feedback(S,A) #take action & 得到下一个state和reward
            # q的估计值
            q_predict = q_table.loc[S,A]
            if S_ != 'terminal':
                #q_target就是q的现实值
                q_target = R + LAMBDA * q_table.iloc[S_,:].max()
            else:
                q_target = R
                is_terminated = True
            # 更新q table
            q_table.loc[S,A] += ALPHA * (q_target - q_predict)

            S = S_ #move to next state
            update_env(S, episode, step_counter+1)
            step_counter +=1

            print(q_table)
    return q_table

if __name__ == "__main__":
    q_table = rl()
    print('\r\nQ-table:\n')
    print(q_table)

 

 

 

参考:

莫烦Python

https://www.bilibili.com/video/BV13W411Y75P?p=6

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我可以为你提供一些关于使用 Q-learning 算法制作迷宫的建议。 首先,你需要定义一个迷宫的环境,可以使用 Python 中的 numpy 数组来表示。数组中的每个元素都代表迷宫中的一个状态,可以是空地、墙壁、起点或终点等。例如,可以使用以下代码来创建一个简单的迷宫环境: ``` import numpy as np maze = np.array([ [1, 1, 1, 1, 1, 1, 1], [1, 0, 0, 0, 0, 0, 1], [1, 0, 1, 1, 1, 0, 1], [1, 0, 0, 0, 1, 0, 1], [1, 1, 1, 0, 0, 0, 1], [1, 0, 0, 0, 1, 0, 1], [1, 1, 1, 1, 1, 1, 1] ]) ``` 其中,1 代表墙壁,0 代表空地。 接下来,你需要定义 Q-learning 算法中的参数,包括学习率、折扣因子和探索率等。学习率控制每次更新 Q 值时的权重,折扣因子用于衡量未来奖励的重要性,探索率用于平衡探索新状态和利用已知信息的程度。 例如,可以使用以下代码来定义参数: ``` learning_rate = 0.8 discount_factor = 0.95 exploration_rate = 0.1 ``` 然后,你需要初始化 Q 值表,可以使用 numpy 数组来表示。Q 值表中的每个元素都代表在某个状态下采取某个动作的 Q 值,例如: ``` q_table = np.zeros((maze.size, 4)) ``` 其中,maze.size 表示迷宫中状态的总数,4 表示可以采取的动作数,例如向上、向下、向左和向右。 接下来,你需要实现 Q-learning 算法中的更新过程,可以使用以下代码: ``` state = start_state while state != end_state: action = choose_action(state, q_table, exploration_rate) next_state = get_next_state(state, action) reward = get_reward(next_state) q_table[state, action] += learning_rate * (reward + discount_factor * np.max(q_table[next_state, :]) - q_table[state, action]) state = next_state ``` 其中,choose_action 函数用于根据当前状态和 Q 值表选择一个动作,get_next_state 函数用于根据当前状态和动作计算下一个状态,get_reward 函数用于计算采取某个动作后的奖励。 最后,你需要实现一个训练函数来训练 Q-learning 算法,例如: ``` def train(maze, q_table, learning_rate, discount_factor, exploration_rate, num_episodes): for i in range(num_episodes): state = start_state while state != end_state: action = choose_action(state, q_table, exploration_rate) next_state = get_next_state(state, action) reward = get_reward(next_state) q_table[state, action] += learning_rate * (reward + discount_factor * np.max(q_table[next_state, :]) - q_table[state, action]) state = next_state exploration_rate *= 0.99 # 逐渐减小探索率 return q_table ``` 其中,num_episodes 表示训练的轮数。 希望这些建议可以帮助你制作一个基于 Q-learning 算法的迷宫!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值