【莫烦强化学习】视频笔记（二）3.Q_Learning算法实现走迷宫

第6节 Q学习实现走迷宫

---

我们要实现的走迷宫的可视化界面像下图所展示的一样，红色的探索者要走到黄色圆圈所在的“宝藏”位置。黑色的地方是陷阱，如果走到陷阱，会得到-1的奖励值，如果到达“宝藏”所在区域，会得到+1的奖励值。

环境的编写是通过python自带的GUI模块tkinter编写的，这里不详细介绍其用法，tkinter教程链接：tkinter教程

---

6.1 Q-Learning类

这次要以class类的形式来编写Q-Learning中的功能函数，新建一个python文件，专门存放Q-Learning类，有初始化、选择动作、学习更新参数、查看状态是否存在四个模块。

初始化

设定学习中所需的参数，在类的构造函数中，传入参数，分别是：

• 动作空间：上、下、左、右
• 学习率：参数更新速度控制
• $\gamma$-衰减因子：对后来状态的重视程度
• $\epsilon$贪婪数：值越大，贪婪程度越大，随机性越小
• 初始Q表：建立表格，列名为四个动作空间名称字符串

import numpy as np
import pandas as pd


class QLearning:
    def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):  # 初始换函数，后面是默认参数
        self.actions = actions  # 动作空间
        self.lr = learning_rate  # 学习率
        self.gamma = reward_decay  # 奖励衰减
        self.epsilon = e_greedy  # 贪婪度
        self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float64)  # 初始Q表

检查状态是否存在

为什么会有这个函数？因为初始化时的表格是没有行的，表格的状态是动态增加的，出现过的状态才会添加到Q表中：

    def check_state_exit(self, state):  # 输入状态
        if state not in self.q_table.index:  # Q表中没有该状态
            # 插入新的行，Q值初始化为0
            self.q_table = self.q_table.append(pd.Series([0] * len(self.actions), index = self.q_table.columns, name = state))

选择动作

采用$\epsilon$贪婪进行动作的选择，需要注意的是，当选择Q值最大的动作时，选出来的动作也有可能有多个，还要从这几个动作中再随机选出一个。

    def choose_action(self, observation):  # 根据当前的状态选择动作
        self.check_state_exit(observation)  # 检查状态是否存在，不存在添加到Q表中
        if np.random.uniform() < self.epsilon:  # 直接选择Q值最大的动作
            state_action = self.q_table.loc[observation, :]  # 选择对应的一行
            # 由于Q值最大的动作也有可能有多个，我们需要对这些动作随机选择（乱序）
            action = np.random.choice(state_action[state_action == np.max(state_action)].index)
        else:
            action = np.random.choice(self.actions)  # 随机选择一个动作
        return action

学习更新参数

直接根据伪代码，计算更新后的Q值，这里先计算了当前s、a对应的Q值（预测Q值），后计算了估计的Q值（实际Q值），根据公式更新Q表：

    def learn(self, s, a, r, s_):
        self.check_state_exit(s_)  # 查看状态s_是否存在，s_是在选择动作之后与环境交互获得的下一状态
        q_predict = self.q_table.loc[s, a]  # 当前状态s和动作a对应的Q值
        if s_ != 'terminal':  # 若下一步不是终态
            q_target = r + self.gamma * self.q_table.loc[s_, :].max()  # 实估计的际Q值，用来更新的值
        else:
            q_target = r;  # 否则直接为立即回报
        self.q_table.loc[s, a] += self.lr * (q_target - q_predict)  # 更新Q(s,a)

---

6.2 主循环

主循环进行的是整个伪代码的流程，代码如下：
注意： 这里的迷宫环境是tkinter编写的，这里不详细说明环境的编写，涉及到的函数也不做解释。

from Qlearning import QLearning
from maze_env import Maze

def update():  # 更新主函数
    for episode in range(100):  # 玩游戏的局数
        observation = env.reset()  # 初始化环境
        while True:
            env.render()  # 刷新图像
            action = RL.choose_action(str(observation))  # 根据当前状态选择动作
            observation_, reward, done = env.step(action)  # 动作与环境交互，获得下一状态、奖励值和是否为终态的反馈
            RL.learn(str(observation), action, reward, str(observation_))  # 更新Q表
            observation = observation_  # 转移到下一状态
            if done:
                break
    print('Game Over')  # 一次游戏结束
    env.destroy()  # 关闭窗口


if __name__ == '__main__':
    env = Maze()  # 创建环境
    RL = QLearning(actions=list(range(env.n_actions)))  # Q学习类

    env.after(100, update)  # 100ms后调用函数
    env.mainloop()  # 开始可视化环境

本文地址：https://blog.csdn.net/cherreggy/article/details/107346398