（强化学习）Q-Learning代码实战_qlearning强化学习算法 项目实战1

目录

基础知识

MDP（马儿可夫决策过程）Markov Decision Process

强化学习的要素与架构

算法思想

 代码

---

基础知识

MDP（马儿可夫决策过程）Markov Decision Process

MDP（Markov Decision Process）是一种数学框架，用于描述具有随机性和序列决策的问题。在MDP中，智能体（agent）通过与环境的交互，不断地采取行动和观察环境的反馈，从而学习在不同状态下采取最优行动的策略。MDP通常用于强化学习领域中。

MDP包含以下几个要素：

状态（state）：智能体在某个时刻所处的状态。

行动（action）：智能体在某个状态下采取的行动。

奖励（reward）：智能体在某个状态下采取某个行动后获得的奖励或惩罚。

转移概率（transition probability）：智能体从一个状态转移到另一个状态的概率。

折扣因子（discount factor）：用来衡量未来奖励的价值，通常取值在0到1之间。

策略（policy）：智能体在每个状态下采取行动的规则。

在MDP中，智能体的目标是找到一个最优策略，使得其在长期累计的奖励最大化。为了达到这个目标，智能体需要通过试错学习出不同状态下采取不同行动的价值，并根据这些价值来选择最佳行动。值函数（value function）和Q函数（Q function）是MDP中常用的表示价值的函数。

强化学习的要素与架构

强化学习系统一般包括四个要素：策略（policy），奖励（reward），价值（value）以及环境或者说是模型（model）。

策略（Policy）：策略定义了智能体对于给定状态所做出的行为

奖励（Reward）：奖励信号定义了强化学习问题的目标

价值（Value）：或者说价值函数，与奖励的即时性不同，价值函数是对长期收益的衡量

环境（模型）：外界环境，也就是模型（Model），它是对环境的模拟

强化学习的架构

算法思想

Q-learning 算法是一种基于值迭代的强化学习算法，用于学习一个智能体与环境交互的最优策略。该算法的基本思想是通过学习一个 Q-value 函数来指导行动选择。Q-value 函数表示在某个状态下，采取某个行动所获得的期望回报。

在 Q-learning 算法中，智能体通过与环境交互，不断更新 Q-value 函数。具体地，智能体在每个时间步 t 时观察当前状态 s_t，根据当前状态和 Q-value 函数选择一个行动 a_t，执行行动后观察到下一个状态 s_{t+1} 和相应的奖励 r_{t+1}，并根据 Q-learning 更新规则更新 Q-value 函数。更新规则如下：

Q(s,a)←Q(s,a)+α[r+γmaxa′​Q(s′,a′)−Q(s,a)]

其中，Q(s,a) 表示在状态 s 采取行动 a 的 Q-value，表示当前行动的价值，α 是学习率，γ 是折扣因子，maxa′​Q(s′,a′) 表示在下一个状态 s′ 采取最优行动所获得的最大 Q-value。

Q-learning 算法的核心思想是通过不断更新 Q-value 函数来指导行动选择，最终学习出一个最优策略。在实际应用中，该算法需要对状态空间和行动空间进行离散化，以便将其表示为一个 Q-value 表格。同时，为了增加算法的稳定性和收敛速度，可以采用经验回放和探索策略等技巧。

 代码

更新规则

def get_update(row, col, action, reward, next_row, next_col):
    #target为下一个格子的最高分数，这里的计算和下一步的动作无关
    target = 0.9 * Q[next_row, next_col].max()
    #加上本步的分数
    target += reward
 
    #value为当前state和action的分数
    value = Q[row, col, action]
 
    #根据时序差分算法,当前state,action的分数 = 下一个state,action的分数*gamma + reward
    #此处是求两者的差,越接近0越好
    update = target - value
 
    #这个0.1相当于lr
    update *= 0.1
 
    return update
 
 
get_update(0, 0, 3, -1, 0, 1)

训练

def train():
    for epoch in range(1500):
        #初始化当前位置
        row = random.choice(range(4))
        col = 0
 
        #初始化第一个动作
        action = get_action(row, col)
 
        #计算反馈的和，这个数字应该越来越小
        reward_sum = 0
 
        #循环直到到达终点或者掉进陷阱
        while get_state(row, col) not in ['terminal', 'trap']:
 
            #执行动作
            next_row, next_col, reward = move(row, col, action)
            reward_sum += reward
 
            #求新位置的动作
            next_action = get_action(next_row, next_col)
 
            #计算分数
            update = get_update(row, col, action, reward, next_row, next_col)
 
            #更新分数
            Q[row, col, action] += update
 
            #更新当前位置
            row = next_row
            col = next_col
            action = next_action
 
        if epoch % 100 == 0:
            print(epoch, reward_sum)
 
 
train()

完整代码：在4时序查分算法中https://download.csdn.net/download/qq_46684028/88076627

相关代码：.用Q learning 算法学会玩走迷宫游戏：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/tree/master/contents/2_Q_Learning_maze