【强化学习】Q-learning解决走冰湖问题

1.简单介绍

先看一下Q-learning的核心函数        

        Q（s，a），即在Q表格中，在状态s下，采取动作a，可以获得的value

        α，即学习率

        r，在状态s下，采取动作a，可以获得的奖励
        γ，折扣因子

        maxQ（s',a'），下一步可以获得的最大的value

首先，我们先通过导入gym库来创建一个环境

import gym
import time
env = gym.make("FrozenLake-v1", render_mode="human", is_slippery=False)
env.reset()
while True:
    env.render()
    # observation 采取了动作a之后的状态
    # reward 获得的奖励
    # terminated bool值，游戏是否结束
    # truncated bool值，游戏是否被截断
    # info 包含有关环境状态的附加信息的字典，通常用于调试
    observation, reward, terminated, truncated, info = env.step(env.action_space.sample()) # take a random action
    if terminated:
        break
env.close()

运行这段代码，我们可以看到小人走一次冰湖的过程。

在这个实例中，小人除了到达右下角的目的地，可以得到1的reward之外，无论是掉入冰湖，还是随便走一步，reward都是0。

2.代码实现

1.先定义main()函数

def main():
    env = gym.make("FrozenLake-v1", is_slippery=False) # 创建环境
    # 初始化agent
    agent = QlearingAgent(
        obs_n=env.observation_space.n,
        act_n=env.action_space.n,
        learning_rate=0.2,
        gamma=0.9,
        e_greed=0.2)
    # 开始训练
    for episode in range(5000):
        ep_reward, ep_steps = run_episode(env, agent)
        print('Episode %s: steps = %s , reward = %.1f' % (episode, ep_steps,
                                                          ep_reward))

    # 训练结束，查看算法效果
    env = gym.make("FrozenLake-v1", render_mode="human",is_slippery=False)
    test_episode(env, agent)

2.完成run_episode()函数

def run_episode(env, agent):
    total_steps = 0  # 记录每个episode走了多少step
    total_reward = 0

    obs = env.reset()  # 重置环境, 重新开一局（即开始新的一个episode）

    obs = obs[0]
    action = agent.sample(obs)  # 根据算法选择一个动作

    while True:
        next_obs, reward, done, truncated, info = env.step(action)
        # next_obs, reward, done, _ = env.step(action)  # 与环境进行一个交互
        next_action = agent.sample(next_obs)  # 根据算法选择一个动作
        # 训练Q-learn算法
        agent.learn(obs, action, reward, next_obs, done)

        action = next_action
        obs = next_obs  # 存储上一个观察值
        total_reward += reward
        total_steps += 1  # 计算step数
        # 如果游戏结束，退出
        if done:
            break
    return total_reward, total_steps

3.现在来定义agent

class QlearingAgent(object):
    def __init__(self, obs_n, act_n, learning_rate=0.01, gamma=0.9, e_greed=0.3):
        # 动作维度，有几个动作可选，在我们这个例子中，就是上下左右四个
        self.act_n = act_n  
        self.lr = learning_rate  # 学习率
        self.gamma = gamma  # reward的衰减率
        self.epsilon = e_greed  # 按一定概率随机选动作
        self.Q = np.zeros((obs_n, act_n)) # 初始化Q表格
    
    def sample(self, obs):
        if np.random.uniform(0, 1) < (1.0 - self.epsilon):  
            action = self.predict(obs)   # 根据table的Q值选动作
        else:
            action = np.random.choice(self.act_n)  # 有一定概率随机探索选取一个动作
        return action

    def predict(self, obs):
        Q_list = self.Q[obs, :]
        maxQ = np.max(Q_list)
        action_list = np.where(Q_list == maxQ)[0]  # maxQ可能对应多个action
        action = np.random.choice(action_list)
        return action
    # 更新Q表格
    def learn(self, obs, action, reward, next_obs, done):
        pre_Q = self.Q[obs, action]
        if done:
            tar_Q = reward
        else:
            tar_Q = reward + self.gamma * np.max(self.Q[next_obs, :])
        self.Q[obs, action] += self.lr * (tar_Q - pre_Q)

4.最后是test_episode()函数

import time
def test_episode(env, agent):
    total_reward = 0
    obs = env.reset()
    obs = obs[0]
    while True:
        action = agent.predict(obs)  # 预测
        next_obs, reward, done, truncated, _ = env.step(action)
        total_reward += reward
        obs = next_obs
        time.sleep(0.1) # 为了有更好的效果
        env.render()
        if done:
            print('test reward = %.1f' % (total_reward))
            break