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()