利用人工智能玩智龙迷城,神魔之塔，转珠游戏（一）强化学习介绍

强化学习

为什么是强化学习？

为了方便理解，这里就用最白话的方式说明
在之前的转珠算法中，想要实现记忆化存储，即记录每个状态下每个动作的结果，通过查表即可直接获取数据。
举个例子，比如版面是：
1 1 2
2 2 3
3 3 4

将第二行第三个数字向下移动一格就可以完成一次combo(reward)
从数据角度来看 就相当于

	动作1	动作2	…
状态1(112,223,334的版面)	（2,3）的珠子往下移动一格	…
…	…	…

所以我们在状态1的时候采取了动作1，得到一次消除，所以Q(状态1,动作1) = 1

在3X3的版面下，需要存多少个映射？
答案是 6^3*3 *actions (actions=总动作数)
也就是在3X3的版面下需要存储10e+个状态值（虽然大部分重复可以过滤），一旦扩展到5X6版面，基本上是不可能通过这种方法得到结果（也没有足够的内存保存它）

这时候需要借助神经网络的力量了
如果你不了解神经网络，建议去了解一下相关知识
懒的话，你就把它想象成一种会学习的机器，通过让他学习知识，他会对结果做出一种猜测

所以我们可以利用神经网络，替代这种的映射表格。
一般的神经网络学习，需要通过告诉电脑正确的结果（有监督学习），但是强化学习的其中一个优势就是可以让电脑自己找答案（无监督学习），通过时间让它越来越聪明。

回到这个问题上来，也就是我们通过强化学习，可以训练一个电脑玩家，他会对当前版面的每一步操作做一个估计，然后选取它认为最好的一个。当然强化学习不止于此，他可以对后续连续状态做出预测。因为转珠游戏不是三消游戏，这也是选择强化学习的原因。

Q-learning

我们先想想为什么会有这么多映射？
因为涉及了连续未来状态的预测，而且我们不是要移动一步，我们要连续移动好几步！
移动一步的话也就4种动作值，但是移动10步就要4¹⁰的可能性！

所以我们介绍一种算法解决它:q-learning！
先看看这个例子：

○ ? ?
× × ?
× ? ?
我们从○起手，一步可能做不到消除，但是我们可以通过↓→两步操作达到一次消除！

也就是说Q(状态1，↓）=0，但是Q(状态1，↓→）=1
所以我们可以把第二部操作获得的奖励乘以一个数加给第一步（可以理解为第一步虽然没拿到奖励，但是给奖励做了铺垫，这一步不是毫无意义的！）
这其实就是q-learning的理念，我们来看看实际算法

其实核心就是更新的时候，拿实际得到的值（乘y），减去之前状态预测出来的值，用这个差值去学习。然后为了避免陷入局部最优，加了一个e-greedy,就是不管结果如何有10%的概率一定随机选操作.

然后不停的训练下去，我们的Q就有了状态积累，这样机器就有了很强的洞察力
比如转珠，虽然走某一步没有消除，但是这可能是最优解的必经之路

伪代码

q-learning不适用转珠，只是作为知识科普，所以只给一个伪代码用于学习

初始化 Q = {};
while Q 未收敛：
随机创建版面S，开始转珠
while S != 最大combo && S.step<最大限制步数：
使用策略π，获得动作a=π(S)
使用动作a移动珠子，获得新位置S’,与奖励R(S,a)
Q[S,A] ← (1-α)Q[S,A] + α(R(S,a) + γ* max Q[S’,a]) // 更新Q
S ← S’

虽然解决了对未来预测的问题，但是映射表格还是太多了！
但是我们可以借助神经网络来解决！

最最最最最简单的神经网络

如果你知道神经网络，可以跳过，这边用最简单的代码让大家了解一下神经网络做了什么

比如现在有一个功能是输出y=2a+b+1

def func1(