《ARPG游戏深度强化学习》之实现一个Deep Q-learning Network（二叉树状态QDN（逐条分析python代码））

本文链接：https://blog.csdn.net/sjjsaaaa/article/details/106768934

本文详细介绍了如何实现一个基于Deep Q-learning Network（DQN）的二叉树状态学习模型，旨在训练agent从状态0找到通向目标状态6的最短路径。通过神经网络替代传统q-table，提升智能和适应性。文中提供了源代码，并对关键函数进行了注释解释，适合对深度强化学习感兴趣的读者进行学习和交流。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实现一个Deep Q-learning Network（二叉树状态DQN）

代码主要解决的问题：在这里插入图片描述
有0-6，7个状态，从上图是他们可以状态跳转的方向和关系。
我们设定状态6是最终GDAL，目标，训练agent能够从状态0，通过若干次的训练，他能够知道捷径是什么：0-2-6.但一开始agent是不知道的。

源代码：
源代码每一行都有注释，有助于理解。

import numpy as np  #导入科学计算库

GENMAX=4000  #学习循环次数
STATENO=7 #状态数
ACTIONNO=2 #动作数
ALPHA=0.1 #学习率
GAMMA=0.9 #off-policy 率
EPSILON=0.3 # 
SEED=65535  # 随机种子
REWARD=1 #奖励
GOAL=6#目标状态
UP=0 #动作上,就是状态右上走
DOWN=1 #动作下,就是状态右下走
LEVEL=2 #状态层数
INPUTNO=7 #输入神经元数量
HIDDENNO=2 #隐藏层神经元数量
OUTPUTNO=2 #输出神经元数量
NNALPHA=3 #神经网络Neural Network 学习系数

def updateq(s,snext,a,wh,wo,hi):  #更新q值
    qv=0 #初始化q-value = 0
    qvalue_sa=0 #初始化q-value_state-action 用于获取神经网络的输出值
    qvalue_snexta=0  #获取下一个状态下的q_value神经网络值
    e=np.zeros((INPUTNO+1))  #初始化神经网络输入值
    
    e[s]=1 #对输入进行设定
    
    qvalue_sa=forward(wh,wo[a],hi,e) #返回神经网络在当前a和当前状态e的值
    e[s]=0 #清空输入
    
    e[snext]=1 #获取假定已经跳转到下一个状态的时候的神经网络初始化
    qvalue_snexta=forward(wh,wo[set_a_by_q(snext,wh,wo,hi)],hi,e)
    #下一个状态下的神经网络计算的qvalue
    
    
    if snext==GOAL :#如果下一个状态是目标
        qv=qvalue_sa+ALPHA*(REWARD-qvalue_sa) #累加q-value奖励
    else:#如果下一个状态不是目标
        qv=qvalue_sa+ALPHA*(GAMMA*qvalue_snexta-qvalue_sa) #进行有折扣的累加
        
    return qv #返回当前状态和动作下的q值


def selecta(s,wh,wo,hi): #通过 当前状态+神经网络参数 => 选择动作
    a=0
    if(frand()<EPSILON): # 有一定概率的随机选择怎么走
        a=rand0or1()