翻译自强化学习工具包文档,加入自己的见解,训练结果是自己跑的。
部分对象在高版本的MATLAB中才有,需使用R2022a及以后的版本。
用Q-learning解决一般马尔科夫决策过程(MDP)环境。
图中:
- 每个圈代表一个状态;
- 在每一个状态均有向上和向下两个选择;
- 代理(Agent)初始状态为状态1;
- 图中箭头上的值代表智能体状态转换可获得的奖励;
- 训练目标是使累计获得的奖励最大。
创建MDP环境
创建一个MDP模型,其包含8个状态和两个动作。
MDP = createMDP(8,["up";"down"]);
%两个参数,传入正整数或字符串向量均可,传入正整数的话,例如此处第一个参数(states)传入8,状态名默认为“s1,s2...”,第二个参数(actions)若也传入正整数,则动作名默认为“a1,a2”。
根据上图转换关系修改MDP模型的状态转换矩阵和奖励矩阵,矩阵元素默认为0。
% 代表从状态1采取动作1(“up”)转移到转态2的概率为1。
MDP.T(1,2,1) = 1;
% 代表从状态1采取动作1(“up”)转移到转态2的奖励为3。
MDP.R(1,2,1) = 3;
MDP.T(1,3,2) = 1;
MDP.R(1,3,2) = 1;
% State 2 transition and reward
MDP.T(2,4,1) = 1;
MDP.R(2,4,1) = 2;
MDP.T(2,5,2) = 1;
MDP.R(2,5,2) = 1;
% State 3 transition and reward
MDP.T(3,5,1) = 1;
MDP.R(3,5,1) = 2;
MDP.T(3,6,2) = 1;
MDP.R(3,6,2) = 4;
% State 4 transition and reward
MDP.T(4,7,1) = 1;
MDP.R(4,7,1) = 3;
MDP.T(4,8,2) = 1;
MDP.R(4,8,2) = 2;
% State 5 transition and reward
MDP.T(5,7,1) = 1;
MDP.R(5,7,1) = 1;
MDP.T(5,8,2) = 1;
MDP.R(5,8,2) = 9;
% State 6 transition and reward
MDP.T(6,7,1) = 1;
MDP.R(6,7,1) = 5;
MDP.T(6,8,2) = 1;
MDP.R(6,8,2) = 1;
% State 7 transition and reward
MDP.T(7,7,1) = 1;
MDP.R(7,7,1) = 0;
MDP.T(7,7,2) = 1;
MDP.R(7,7,2) = 0;
% State 8 transition and reward
MDP.T(8,8,1) = 1;
MDP.R(8,8,1) = 0;
MDP.T(8,8,2) = 1;
MDP.R(8,8,2) = 0;
指定状态“s7”和状态“s8”为结束状态:
MDP.TerminalStates = ["s7";"s8"];
为这个MDP模型创建强化学习MDP环境:
env = rlMDPEnv(MDP);
指定该环境的复位函数,调用复位函数会重置环境状态,这里代理的初始状态为状态1:
env.ResetFcn = @() 1;
固定随机数生成器种子以便复现结果:
rng(0)
创建一个Q-Learning代理
首先根据MDP环境的观测空间和动作空间创建Q表:
obsInfo = getObservationInfo(env);
actInfo = getActionInfo(env);
qTable = rlTable(obsInfo, actInfo);
使用Q表创建Q-Learning代理,配置ε-贪心探索。
% 使用rlQAgentOptions去指定创建Q-learning代理的各项值,各项值均有默认值,可修改。
agentOpts = rlQAgentOptions;
% 未来奖励的折扣因子
agentOpts.DiscountFactor = 1;
% 以0.9的概率随机选择动作,0.1的概率选择Q值最大的动作
agentOpts.EpsilonGreedyExploration.Epsilon = 0.9;
% Epsilon值的衰减因子,Epsilon = Epsilon*(1-EpsilonDecay)
agentOpts.EpsilonGreedyExploration.EpsilonDecay = 0.01;
% 指定学习率
agentOpts.CriticOptimizerOptions = rlOptimizerOptions(LearnRate=1);
% 根据Q表创建Q值函数
qFunction = rlQValueFunction(qTable, obsInfo, actInfo);
% 创建Q-Learning代理
qAgent = rlQAgent(qFunction,agentOpts);
训练Q-Learning代理
指定训练参数:
trainOpts = rlTrainingOptions;
% 每轮最大步数
trainOpts.MaxStepsPerEpisode = 50;
% 最大训练轮数
trainOpts.MaxEpisodes = 500;
% 在30个连续回合内平均累计奖励大于13时停止训练
trainOpts.StopTrainingCriteria = "AverageReward";
trainOpts.StopTrainingValue = 13;
trainOpts.ScoreAveragingWindowLength = 30;
使用train函数训练,通过标志doTraining控制训练或读取训练好的模型。
doTraining = false;
if doTraining
% Train the agent.
trainingStats = train(qAgent,env,trainOpts); %#ok<UNRCH>
else
% Load pretrained agent for the example.
load("genericMDPQAgent.mat","qAgent");
end
回合奖励曲线、平均奖励曲线、Q值曲线:
验证Q-Learning的结果
使用sim函数在训练环境里仿真,智能体可以成功找到最优路径,获得最大累计奖励。
Data = sim(qAgent,env);
cumulativeReward = sum(Data.Reward)
查看训练好的Q表:
QTable = getLearnableParameters(getCritic(qAgent));
QTable{1}