强化学习算法复现（三）：蒙特卡洛方法_21点游戏

相关知识结构如下：
参考资料：

https://oneraynyday.github.io/ml/2018/05/24/Reinforcement-Learning-Monte-Carlo/#first-visit-monte-carlo

在本次复现中，使用的gym中的21点游戏模块

part1、环境测试：以随机策略玩n局游戏

import gym

env = gym.make('Blackjack-v0')
# print(env.observation_space)
# print(env.action_space)


# 以随机策略玩n局
def random_play(n):
    for i_episode in range(n):
        state = env.reset()  # 状态随机初始化
        while True:
            print(state)  # 此刻的状态

            action = env.action_space.sample()  # 随机选择动作

            # 环境对此动作的反馈 【状态，回报，是否完成游戏，信息】
            state, reward, done, info = env.step(action)

            # 游戏结束，显示结果
            if done:
                print('End game! Reward: ', reward)
                print('You won :)\n') if reward > 0 else print('You lost :(\n')
                break
    return

part2 蒙特卡洛预测方法：给定策略，学习其状态价值函数

def MC_perdiction(max_hit, discount,i):
    # 初始化
    V = []    # 储存V(St)
    player_trajectory = []
    returns = []        # Returns

    # 这一幕状态初始化
    state = env.reset()
    while True:
        # step1、在目前状态下，根据策略选择动作
        action = 1
        if state[0] >= max_hit:
            action = 0

        # step2、根据动作，从环境中获得反馈。并储存采样数据【目前状态，动作，回报】
        next_state, reward, done, info = env.step(action)
        player_trajectory.append((state, action, reward))  # 幕序列【S0，A0，R1】

        # step3、状态更新
        state = next_state  # 状态更新

        # 得出幕序列：S0 A0 R1 S1 A1 R2 …… S(T-1) A(T-1) RT
        if done:
            break

    # print("回合%d结束,幕序列为：" % i, player_trajectory)
    G = 0

    states, actions, rewards = zip(*player_trajectory)
    discounts = np.array([discount ** i for i in range(len(rewards) + 1)]) # 形成折扣系数矩阵

    # 使用每次访问型MC预测算法
    for j, state in enumerate(states):
        # print("估计状态", j, state)
        G = sum(rewards[j:] * discounts[:-(1 + j)])
        returns.append((state, G))

    state, v = zip