深度强化学习方法：价值迭代法

计算状态价值和动作价值步骤：

以上只是结论，此方法有几个局限性：
1.他只限于状态空间是离散的问题，并且要足够小，才可以多次迭代
2.我们通常很少知道动作的转移概率：从s0采取a0到s1的概率是多少。也很少知道奖励矩阵
（我们只能够通过与环境互动的历史数据来推测这两个值，估计概率：为每个元组（a0，s1,a）维护一个计数器并标准化）

价值迭代方法实践

用于frozenlake游戏
奖励表：键：原状态+动作+目标状态 值：立即奖励
转移表：键：状态+动作 值：目标状态+次数
价值表：（V（s）：是状态价值！！）对应计算出价值

导入包，设置参数和常量

#!/usr/bin/env python3此处根据自己环境改
import gym
import collections
from tensorboardX import SummaryWriter

ENV_NAME = "FrozenLake-v0"
#ENV_NAME = "FrozenLake8x8-v0"      # uncomment for larger version
GAMMA = 0.9
TEST_EPISODES = 20

Agent类：
init函数创建了环境，获得了第一个s，定义了上面说到的表
接着就是定义了训练用到的函数：

play_n_random_steps中我们无需等到一个片段结束才能训练（向交叉熵方法一样，只能在完整的片段学习），而是执行N步并且记录了结果在表中就可以，这是价值迭代法与交叉熵方法的区别之一

calc_action_value：用于计算价值，原理如下：
①转移表中获得（s，a）对应的下一状态对应的次数，求和后转变为转移概率
②对a所到达的每个s进行迭代，使用Bellman方程计算（立即奖励r+下一状态的折扣后的价值），再乘上转移概率（①算出来的）就是动作价值了Q（s，a）
select_action：
用于计算比较来决定最佳动作，做法是直接基于该状态s迭代所有的动作，进入calc_action_value函数去算，返回的Q最终取最大即可

play_episode：
在环境中运行一整个片段，此处为了不与play_n_random_steps中手收集探索信息的环境起冲突，所以另起环境。

value_iteration：处理价值表
该函数要做的只是对于每个s，能达到的每个a都计算Q，最后取最大的填入价值表即可

class Agent:
    def __init__(self):
        self.env = gym.make(ENV_NAME)
        self.state = self.env.reset()
        self.rewards = collections.defaultdict(float)
        self.transits = collections.defaultdict(
            collections.Counter)
        self.values = collections.defaultdict(float)

    def play_n_random_steps(self, count):#从环境中随机收集经验，更新奖励表和转移表
        for _ in range(count):
            action = self.env.action_space.sample()
            new_state, reward, is_done, _ = self.env.step(action)
            self.rewards[(self.state, action, new_state)] = reward
            self.transits[(self.state, action)][new_state] += 1
            self.state = self.env.reset() \
                if is_done else new_state

    def calc_action_value(self, state, action):
        target_counts = self.transits[(state, action)]
        total = sum(target_counts.values())
        action_value = 0.0
        for tgt_state, count in target_counts.items():
            reward = self.rewards[(state, action, tgt_state)]
            val = reward + GAMMA * self.values[tgt_state]
            action_value += (count / total) * val
        return action_value

    def select_action(self, state):
        best_action, best_value = None, None
        for action in range(self.env.action_space.n):
            action_value = self.calc_action_value(state, action)
            if best_value is None or best_value < action_value:
                best_value = action_value
                best_action = action
        return best_action

    def play_episode(self, env):
        total_reward = 0.0
        state = env.reset()
        while True:
            action = self.select_action(state)
            new_state, reward, is_done, _ = env.step(action)
            self.rewards[(state, action, new_state)] = reward
            self.transits[(state, action)][new_state] += 1
            total_reward += reward
            if is_done:
                break
            state = new_state
        return total_reward

    def value_iteration(self):
        for state in range(self.env.observation_space.n):
            state_values = [
                self.calc_action_value(state, action)
                for action in range(self.env.action_space.n)
            ]
            self.values[state] = max(state_values)

if __name__ == "__main__":
    test_env = gym.make(ENV_NAME)
    agent = Agent()
    writer = SummaryWriter(comment="-v-iteration")

    iter_no = 0
    best_reward = 0.0
    while True:
        iter_no += 1
        agent.play_n_random_steps(100)#执行100个随即步骤，充分填充奖励表和转移表  （也充当了随即探索的任务）
        agent.value_iteration()#运行价值迭代

        reward = 0.0
        for _ in range(TEST_EPISODES):
            reward += agent.play_episode(test_env)
        reward /= TEST_EPISODES
        writer.add_scalar("reward", reward, iter_no)
        if reward > best_reward:
            print("Best reward updated %.3f -> %.3f" % (
                best_reward, reward))
            best_reward = reward
        if reward > 0.80:

Q-learning方法实践

与前面的区别在于此处的价值表有两个参数 s 和a
求的是Q（s，a）
并且不需要calc_action_value函数了，因为价值表里面存的就是动作价值
value_iteration函数需要稍作更改，但是原理差不多，就是按照公式，根据bellman方程计算状态的值

 def value_iteration(self):
        for state in range(self.env.observation_space.n):
            for action in range(self.env.action_space.n):
                action_value = 0.0
                target_counts = self.transits[(state, action)]
                total = sum(target_counts.values())
                for tgt_state, count in target_counts.items():
                    key = (state, action, tgt_state)
                    reward = self.rewards[key]
                    best_action = self.select_action(tgt_state)
                    val = reward + GAMMA * \
                          self.values[(tgt_state, best_action)]
                    action_value += (count / total) * val
                self.values[(state, action)] = action_value

在select_action里面也是，直接查就好，不需要calc_action_value函数

def select_action(self, state):
        best_action, best_value = None, None
        for action in range(self.env.action_space.n):
            action_value = self.values[(state, action)]
            if best_value is None or best_value < action_value:
                best_value = action_value
                best_action = action
        return best_action

这样做的好处在于，其实calc_action_value里面用到了概率和奖励信息，在这里没有太大的影响因为训练过程中依赖此信息。对于一些概率不需要近似而是直接从环境样本中需得到的情况，这样会加重智能体负担，而Q-learning中只依赖于价值表所做的决定，所以在价值学习领域，Q-learning更受欢迎。