Qlearning matlab实现

地图为下表所示，其中s1为起始地址，s7为终止地址。S8和S9认为是陷阱所在地，进去算输。

action说明1、2、3分别代表左、下、右。

地图

S1	S2	S9
S8	S3	S6
S4	S5	S7

首先附一张其伪代码（复制于知乎），以及个人理解的翻译。如有错误还请指正。

 

 

%R表 表示在某一个状态下采取不同动作获得的奖励，如R[1 ][1 ]为在s1采取往左的奖励
% R=[-1000 -100 0;-5 0 -100;-100 0 0;-1000 -1000 0;-5 -1000 100;-5 100 -1000;0 -1000 -1000;-1000 0 0 ;0 0 -1000];
%状态切换表，从一个状态执行action，切换到另外一个状态映射表，行是state，列是action
%S[1][1]表示在1状态执行1（向左）以后到达状态1（因为左边是墙，左边走不通）
S = [1 8 2;1 3 9;8 5 6;4 4 5;4 5 7;3 7 6;5 7 7 ;8 4 3;2 6 9];
%Q表
Q = zeros(9,3);
gamma = 0.9;
alpha = 0.9;
 
cnt = 0;
epoch = 10000;
done = false;
action = 0;
state = 1;
reward = 0;
rt = 0;
road = [1];%构建一个数组存放路径，1表示默认位置，s1
as = 0;
while cnt<epoch
    state = 1;
    done = false;
    while ~done
        %贪心算法，确保不会一直按照已知的路走，有10%概率探索未知的方法
        if rand()<0.9
            [rt,action] = max(Q(state,:));
            %当已知的路径有多条时随机选择一条
            verify = find(Q(state,:) == rt);
            if length(verify) >1
                action = verify(randi([1,length(verify)]));
            end
            as = 1;
        else
            %随机去探索
            action = randi([1,3]);
            as = 2;
        end
        %fprintf("state = %d,actoin = %d,as = %d\n",state,action,as);
        reward = reward + Q(state,action);
        %执行action切换到新的state
        state_new = S(state,action);
        %更新Q表
        Q(state,action) = Q(state,action) + alpha*(R(state,action)+gamma*max(Q(state_new,:))-Q(state,action));
%         将迭代state切换到新的状态
        state = state_new;
        %记录走过的路径
        road(end+1) = state;
        %7是成功，8，9是失败，均结束
        if state == 7 || state ==8 ||state == 9
            done = true;
        end
    end
    cnt = cnt + 1;
    %fprintf("cnt = %d \nreward = %d\n Q = \n",cnt,reward);
    %fprintf("road = \n"); 
    disp(road);
    road = [1];%清空当前路径，开始下一次迭代
    reward = 0;
    %disp(Q)
   
end
 

最后输出： 

路径基本是12357和12367，因为有一定概率随机探索，所以会有掉进陷阱的。训练完毕就可以拿着Q去走了，不用其他的操作了。