强化学习：基于 Q-Learning 的二维迷宫游戏案例（二）

算法回顾

  本次讲解更具体的例子：让探索者学会走迷宫。黄色方块的是目标 (reward 1)，黑色方块是陷阱 (reward -1)。我们知道，大多数 RL 是由 reward 导向的，所以定义 reward 是 RL 中比较重要的一点。

  现在，我们来简单回顾一下 Q-Learning 的算法。整个算法就是一直不断更新 Q table 里的值，然后再根据新的值来判断要在某个 state 采取怎样的 action。Q-learning 是一个 off-policy 的算法，因为里面的 max action 让 Q table 的更新可以不基于正在经历的经验 (可以是现在学习着很久以前的经验，甚至是学习他人的经验)。不过这一次的例子，并没有运用到 off-policy，而是把 Q-learning 用在了 on-policy 上，也就是现学现卖，将现在经历的直接当场学习并运用。On-policy 和 off-policy 的差别会在之后的 Deep Q network (off-policy) 学习中见识到。

算法代码实现

q table 更新

import numpy as np
import pandas as pd


class QLearningTable:
    def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):
        self.actions = actions  # a list
        self.lr = learning_rate
        self.gamma = reward_decay
        self.epsilon = e_greedy
        self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float64)

    def choose_action(self, observation):
        self.check_state_exist(observation)
        # action selection
        if np.random.uniform() < self.epsilon:
            # choose best action
            state_action = self.q_table.loc[observation, :]
            # some actions may have the same value, randomly choose on in these actions
            action = np.random.choice(state_action[state_action == np.max(state_action)].index)
        else:
            # choose random action
            action = np.random.choice(self.actions)
        return action

    def learn(self, s, a, r, s_):
        self.check_state_exist(s_)
        q_predict = self.q_table.loc[s, a]
        if s_ != 'terminal':
            q_target = r + self.gamma * self.q_table.loc[s_, :].max()  # next state is not terminal
        else:
            q_target = r  # next state is terminal
        self.q_table.loc[s, a] += self.lr * (q_target - q_predict)  # update

    def check_state_exist(self, state):
        if state not in self.q_table.index:
            # append new state to q table
            self.q_table = self.q_table.append(
                pd.Series(
                    [0]*len(self.actions),
                    index=self.q_table.columns,
                    name=state,
                )
            )

测试

from environment import Maze
from RL_brain import QLearningTable

def update():
    # 学习 100 回合
    for episode in range(100):

        # 初始化 state 的观测值
        observation = env.reset()
        print('observation',observation)

        while True:
            # 更新可视化环境
            env.render()

            # RL 大脑根据 state 的观测值挑选 action
            action = RL.choose_action(str(observation))
            # print('action',action)

            # 探索者在环境中实施这个 action, 并得到环境返回的下一个 state 观测值, reward 和 done (是否是掉下地狱或者升上天堂)
            observation_, reward, done = env.step(action)

            # RL 从这个序列 (state, action, reward, state_) 中学习
            RL.learn(str(observation), action, reward, str(observation_))

            # 将下一个 state 的值传到下一次循环
            observation = observation_

            # 如果掉下地狱或者升上天堂, 这回合就结束了
            if done:
                break

    # 结束游戏并关闭窗口
    print('game over')
    env.destroy()

if __name__ == "__main__":
    # 定义环境 env 和 RL 方式
    env = Maze()
    RL = QLearningTable(actions=list(range(env.n_actions)))

    # 开始可视化环境 env
    env.after(100, update)
    env.mainloop()