Q-learning介绍
在介绍Q-learning这一基础的强化学习方法之前，首先要知道Q值代表什么。Q值翻译成中文是状态动作价值的意思，通俗一点来讲就是假设有个无所不知的上帝（先验），在凡人（智能体）当前处于某一状态s时，他可以从一定范围的动作（如a、b、c)中选择一个执行，而上帝会根据凡人的选择给出一个分数（因为上帝无所不知，所以知道凡人在选择了动作a之后会发生的所有事情）。比如凡人选择了a，上帝会给出80分，选择b的话上帝会给70分，选择c的话上帝会给60分，那么凡人在当前状态下肯定会选择分数最高的a选项。综上，只要智能体知道了所有的Q值，他就能做出当前状态下最优的选择。在强化学习中是通过Q-learning这一方法来计算Q值的。
Q-learning是采用Q表格的方式存储Q值，一开始假设所有的Q值为零，然后不断地根据每次选择所对应的reward与下一状态的所有Q值来更新Q表格。Q-learning是off-policy的更新方式，更新learn()时无需获取下一步实际做出的动作next_action，并假设下一步动作是取最大Q值的动作。
Q-learning的更新公式为：
上述公式解释如下，假设t1时刻的状态是s1,想更新的是此时做出动作a1时的Q值，Q(a1|s1)。我们知道当执行a1后,智能体会获得一个reward(r1),同时所处的状态也会变为s2。这里我们采用递归的思想,假设s2状态下的所有Q值【即Q(a1|s2)、Q(a2|s2)、Q(a3|s2)…】这些都是已经求得的（递归结束条件是到达终点状态）。若最大的是Q(a2|s2)，那么Q(a1|s1)应该是要向着r1+Q(a2|s2)更新的。具体更新多少由公式中的α（可以理解为学习率）来控制。
明白了Q-learning公式的含义后，可能还是有很多朋友不知道为什么Q(a1|s1)要向着r1+Q(a2|s2)更新，即当前状态下做出某一选择对应的Q值与下一状态中的Q值有关，并且是以下一状态的Q值为准更新当前状态下的Q值的。这里举一个生活中的例子大家细品就能明白了，假设小明要从A点开车前往C点，在A点时导航估计要30分钟才能到达C点，但在经过30分钟以后小明到达了A和C中间的B点，导航估计还要10分钟才能到达C点。那么A点到C点用的总时间应该是更趋向于40分钟的。这就是以下一状态的Q值为准更新当前状态下的Q值的原因。
python代码
class QLearningAgent(object):
def __init__(self, obs_n, act_n, learning_rate=0.01, gamma=0.9, e_greed=0.1):
self.act_n = act_n # 动作维度，有几个动作可选
self.lr = learning_rate # 学习率
self.gamma = gamma # reward的衰减率
self.epsilon = e_greed # 按一定概率随机选动作
self.Q = np.zeros((obs_n, act_n))
# 根据输入观察值，采样输出的动作值，带探索
def sample(self, obs):
if np.random.uniform(0, 1) < (1.0 - self.epsilon): #根据table的Q值选动作
action = self.predict(obs)
else:
action = np.random.choice(self.act_n) #有一定概率随机探索选取一个动作
return action
# 根据输入观察值，预测输出的动作值
def predict(self, obs):
Q_list = self.Q[obs, :]
maxQ = np.max(Q_list)
action_list = np.where(Q_list == maxQ)[0] # maxQ可能对应多个action
action = np.random.choice(action_list)
return action
# 学习方法，也就是更新Q-table的方法
def learn(self, obs, action, reward, next_obs, done):
""" off-policy
obs: 交互前的obs, s_t
action: 本次交互选择的action, a_t
reward: 本次动作获得的奖励r
next_obs: 本次交互后的obs, s_t+1
done: episode是否结束
"""
predict_Q = self.Q[obs, action]
if done:
target_Q = reward # 没有下一个状态了
else:
target_Q = reward + self.gamma * np.max(self.Q[next_obs, :]) # Q-learning
self.Q[obs, action] += self.lr * (target_Q - predict_Q) # 修正q
# 把 Q表格 的数据保存到文件中
def save(self):
npy_file = './q_table.npy'
np.save(npy_file, self.Q)
print(npy_file + ' saved.')
# 从文件中读取数据到 Q表格
def restore(self, npy_file='./q_table.npy'):
self.Q = np.load(npy_file)
print(npy_file + ' loaded.')
def run_episode(env, agent, render=False):
total_steps = 0 # 记录每个episode走了多少step
total_reward = 0
obs = env.reset() # 重置环境, 重新开一局（即开始新的一个episode）
while True:
action = agent.sample(obs) # 根据算法选择一个动作
next_obs, reward, done, _ = env.step(action) # 与环境进行一个交互
# 训练 Q-learning算法
agent.learn(obs, action, reward, next_obs, done)
obs = next_obs # 存储上一个观察值
total_reward += reward
total_steps += 1 # 计算step数
if render:
env.render() #渲染新的一帧图形
if done:
break
return total_reward, total_steps
def test_episode(env, agent):
total_reward = 0
obs = env.reset()
while True:
action = agent.predict(obs) # greedy
next_obs, reward, done, _ = env.step(action)
total_reward += reward
obs = next_obs
if done:
break
return total_reward