【强化学习】python 实现 q-learning 例二
本文作者：hhh5460
本文地址：https://www.cnblogs.com/hhh5460/p/10134855.html
问题情境
一个2*2的迷宫，一个入口，一个出口，还有一个陷阱。如图
（图片来源：https://jizhi.im/blog/post/intro_q_learning）
这是一个二维的问题，不过我们可以把这个降维，变为一维的问题。
感谢：https://jizhi.im/blog/post/intro_q_learning。网上看了无数文章，无数代码，都不得要领！直到看了这篇里面的三个矩阵：reward，transition_matrix，valid_actions才真正理解q-learning算法如何操作，如何实现！
Kaiser的代码先睹为快，绝对让你秒懂q-learning算法，当然我也做了部分润色：
import numpy as np
import random '''
2*2的迷宫
---------------
| 入口 | |
---------------
| 陷阱 | 出口 |
---------------
# 来源：https://jizhi.im/blog/post/intro_q_learning 每个格子是一个状态，此时都有上下左右停5个动作 任务：通过学习，找到一条通径
''' gamma = 0.7 # u, d, l, r, n
reward = np.array([( 0, -10, 0, -1, -1), #0，状态0
( 0, 10, -1, 0, -1), #
(-1, 0, 0, 10, -1), #
(-1, 0, -10, 0, 10)],#
dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)]) q_matrix = np.zeros((4, ),
dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)]) transition_matrix = np.array([(-1, 2, -1, 1, 0), # 如 state:0,action:'d' --> next_state:2
(-1, 3, 0, -1, 1),
( 0, -1, -1, 3, 2),
( 1, -1, 2, -1, 3)],
dtype=[('u',int),('d',int),('l',int),('r',int),('n',int)]) valid_actions = np.array([['d', 'r', 'n'], #0，状态0
['d', 'l', 'n'], #
['u', 'r', 'n'], #
['u', 'l', 'n']])# for i in range(1000):
current_state = 0
while current_state != 3:
current_action = random.choice(valid_actions[current_state]) # 只有探索，没有利用 next_state = transition_matrix[current_state][current_action]
next_reward = reward[current_state][current_action]
next_q_values = [q_matrix[next_state][next_action] for next_action in valid_actions[next_state]] #待取最大值 q_matrix[current_state][current_action] = next_reward + gamma * max(next_q_values) # 贝尔曼方程（不完整）
current_state = next_state print('Final Q-table:')
print(q_matrix)
0.相关参数
epsilon = 0.9 # 贪婪度 greedy
alpha = 0.1 # 学习率
gamma = 0.8 # 奖励递减值
1.状态集
探索者的状态，即其可到达的位置，有4个。所以定义
states = range(4) # 状态集，从0到3
那么，在某个状态下执行某个动作之后，到达的下一个状态如何确定呢？
def get_next_state(state, action):
'''对状态执行动作后，得到下一状态'''
#u,d,l,r,n = -2,+2,-1,+1,0
if state % 2 != 1 and action == 'r': # 除最后一列，皆可向右(+1)
next_state = state + 1
elif state % 2 != 0 and action == 'l': # 除最前一列，皆可向左(-1)
next_state = state -1
elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
next_state = state + 2
elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
next_state = state - 2
else:
next_state = state
return next_state
2.动作集
探索者处于每个状态时，可行的动作，只有上下左右4个。所以定义
actions = ['u', 'd', 'l', 'r'] # 动作集。上下左右，也可添加动作'n'，表示停留
那么，在某个给定的状态（位置），其所有的合法动作如何确定呢？
def get_valid_actions(state):
'''取当前状态下的合法动作集合，与reward无关！'''
global actions # ['u','d','l','r','n'] valid_actions = set(actions)
if state % 2 == 1: # 最后一列，则
valid_actions = valid_actions - set(['r']) # 去掉向右的动作
if state % 2 == 0: # 最前一列，则
valid_actions = valid_actions - set(['l']) # 去掉向左
if state // 2 == 1: # 最后一行，则
valid_actions = valid_actions - set(['d']) # 去掉向下
if state // 2 == 0: # 最前一行，则
valid_actions = valid_actions - set(['u']) # 去掉向上
return list(valid_actions)
3.奖励集
探索者到达每个状态（位置）时，要有奖励。所以定义
rewards = [0,0,-10,10] # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0
显然，取得某状态state下的奖励就很简单了：rewards[state] 。根据state，按图索骥即可，无需额外定义一个函数。
4.Q table
最重要。Q table是一种记录状态-行为值 (Q value) 的表。常见的q-table都是二维的，基本长下面这样：
（注意，也有3维的Q table）
所以定义
q_table = pd.DataFrame(data=[[0 for _ in actions] for _ in states],
index=states, columns=actions)
5.Q-learning算法
Q-learning算法的伪代码
Q value的更新是根据贝尔曼方程：
$$Q(s_t,a_t) \leftarrow Q(s_t,a_t) + \alpha[r_{t+1} + \lambda \max _{a} Q(s_{t+1}, a) - Q(s_t,a_t)] \tag {1}$$
好吧，是时候实现它了：
# 总共探索300次
for i in range(300):
# 0.从最左边的位置开始（不是必要的）
current_state = 0
#current_state = random.choice(states)
while current_state != states[-1]:
# 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
if (random.uniform(0,1) > epsilon) or ((q_table.ix[current_state] == 0).all()): # 探索
current_action = random.choice(get_valid_actions(current_state))
else:
current_action = q_table.ix[current_state].idxmax() # 利用（贪婪）
# 2.执行当前动作，得到下一个状态（位置）
next_state = get_next_state(current_state, current_action)
# 3.取下一个状态所有的Q value，待取其最大值
next_state_q_values = q_table.ix[next_state, get_valid_actions(next_state)]
# 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
q_table.ix[current_state, current_action] += alpha * (rewards[next_state] + gamma * next_state_q_values.max() - q_table.ix[current_state, current_action])
# 5.进入下一个状态（位置）
current_state = next_state print('\nq_table:')
print(q_table)
可以看到，与例一的代码一模一样，不差一字！
6.环境及其更新
这里的环境貌似必须用到GUI，有点麻烦；而在命令行下，我又不知如何实现。所以暂时算了，不搞了。
7.完整代码
'''
最简单的四个格子的迷宫
---------------
| start | |
---------------
| die | end |
--------------- 每个格子是一个状态，此时都有上下左右4个动作 作者：hhh5460
时间：20181217
''' import pandas as pd
import random epsilon = 0.9 # 贪婪度 greedy
alpha = 0.1 # 学习率
gamma = 0.8 # 奖励递减值 states = range(4) # 0, 1, 2, 3 四个状态
actions = list('udlr') # 上下左右 4个动作。还可添加动作'n'，表示停留
rewards = [0,0,-10,10] # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0 q_table = pd.DataFrame(data=[[0 for _ in actions] for _ in states],
index=states, columns=actions) def get_next_state(state, action):
'''对状态执行动作后，得到下一状态'''
#u,d,l,r,n = -2,+2,-1,+1,0
if state % 2 != 1 and action == 'r': # 除最后一列，皆可向右(+1)
next_state = state + 1
elif state % 2 != 0 and action == 'l': # 除最前一列，皆可向左(-1)
next_state = state -1
elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
next_state = state + 2
elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
next_state = state - 2
else:
next_state = state
return next_state def get_valid_actions(state):
'''取当前状态下的合法动作集合
global reward
valid_actions = reward.ix[state, reward.ix[state]!=0].index
return valid_actions
'''
# 与reward无关！
global actions
valid_actions = set(actions)
if state % 2 == 1: # 最后一列，则
valid_actions = valid_actions - set(['r']) # 无向右的动作
if state % 2 == 0: # 最前一列，则
valid_actions = valid_actions - set(['l']) # 无向左
if state // 2 == 1: # 最后一行，则
valid_actions = valid_actions - set(['d']) # 无向下
if state // 2 == 0: # 最前一行，则
valid_actions = valid_actions - set(['u']) # 无向上
return list(valid_actions) # 总共探索300次
for i in range(300):
# 0.从最左边的位置开始（不是必要的）
current_state = 0
#current_state = random.choice(states)
while current_state != states[-1]:
# 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
if (random.uniform(0,1) > epsilon) or ((q_table.ix[current_state] == 0).all()): # 探索
current_action = random.choice(get_valid_actions(current_state))
else:
current_action = q_table.ix[current_state].idxmax() # 利用（贪婪）
# 2.执行当前动作，得到下一个状态（位置）
next_state = get_next_state(current_state, current_action)
# 3.取下一个状态所有的Q value，待取其最大值
next_state_q_values = q_table.ix[next_state, get_valid_actions(next_state)]
# 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
q_table.ix[current_state, current_action] += alpha * (rewards[next_state] + gamma * next_state_q_values.max() - q_table.ix[current_state, current_action])
# 5.进入下一个状态（位置）
current_state = next_state print('\nq_table:')
print(q_table)
8.效果图
9.补充
又搞了一个numpy版本，比pandas版本的快了一个数量级！！代码如下
'''
最简单的四个格子的迷宫
---------------
| start | |
---------------
| die | end |
--------------- 每个格子是一个状态，此时都有上下左右停5个动作
''' # 作者：hhh5460
# 时间：20181218 import numpy as np epsilon = 0.9 # 贪婪度 greedy
alpha = 0.1 # 学习率
gamma = 0.8 # 奖励递减值 states = range(4) # 0, 1, 2, 3 四个状态
actions = list('udlrn') # 上下左右停 五个动作
rewards = [0,0,-10,10] # 奖励集。到达位置3（出口）奖励10，位置2（陷阱）奖励-10，其他皆为0 # 给numpy数组的列加标签，参考https://cloud.tencent.com/developer/ask/72790
q_table = np.zeros(shape=(4, ), # 坑二：这里不能是(4,5)!!
dtype=list(zip(actions, ['float']*5)))
#dtype=[('u',float),('d',float),('l',float),('r',float),('n',float)])
#dtype={'names':actions, 'formats':[float]*5}) def get_next_state(state, action):
'''对状态执行动作后，得到下一状态'''
#u,d,l,r,n = -2,+2,-1,+1,0
if state % 2 != 1 and action == 'r': # 除最后一列，皆可向右(+1)
next_state = state + 1
elif state % 2 != 0 and action == 'l': # 除最前一列，皆可向左(-1)
next_state = state -1
elif state // 2 != 1 and action == 'd': # 除最后一行，皆可向下(+2)
next_state = state + 2
elif state // 2 != 0 and action == 'u': # 除最前一行，皆可向上(-2)
next_state = state - 2
else:
next_state = state
return next_state def get_valid_actions(state):
'''取当前状态下的合法动作集合，与reward无关！'''
global actions # ['u','d','l','r','n'] valid_actions = set(actions)
if state % 2 == 1: # 最后一列，则
valid_actions = valid_actions - set(['r']) # 去掉向右的动作
if state % 2 == 0: # 最前一列，则
valid_actions = valid_actions - set(['l']) # 去掉向左
if state // 2 == 1: # 最后一行，则
valid_actions = valid_actions - set(['d']) # 去掉向下
if state // 2 == 0: # 最前一行，则
valid_actions = valid_actions - set(['u']) # 去掉向上
return list(valid_actions) for i in range(1000):
#current_state = states[0] # 固定
current_state = np.random.choice(states,1)[0]
while current_state != 3:
if (np.random.uniform() > epsilon) or ((np.array(list(q_table[current_state])) == 0).all()): # q_table[current_state]是numpy.void类型，只能这么操作！！
current_action = np.random.choice(get_valid_actions(current_state), 1)[0]
else:
current_action = actions[np.array(list(q_table[current_state])).argmax()] # q_table[current_state]是numpy.void类型，只能这么操作！！
next_state = get_next_state(current_state, current_action)
next_state_q_values = [q_table[next_state][action] for action in get_valid_actions(next_state)]
q_table[current_state][current_action] = rewards[next_state] + gamma * max(next_state_q_values)
current_state = next_state print('Final Q-table:')
print(q_table)
10.补充2：三维Q table实现！
经过不断的试验，终于撸出了一个三维版的Q table，代码如下！
'''
最简单的四个格子的迷宫
---------------
| start | |
---------------
| die | end |
--------------- 每个格子是一个状态，此时都有上下左右停5个动作
''' '''三维 Q table 版！！''' # 作者：hhh5460
# 时间：20181218 import numpy as np
import random # np.random.choice不能选二维元素！ epsilon = 0.9 # 贪婪度 greedy
alpha = 0.1 # 学习率
gamma = 0.8 # 奖励递减值 states = [(0,0),(0,1),(1,0),(1,1)] #状态集，四个位置
actions = [(-1,0),(1,0),(0,-1),(0,1)] #动作集，上下左右
rewards = [[ 0., 0.], # 奖励集
[-10.,10.]] # q_table是三维的，注意把动作放在了第三维！
# 最里面的[0.,0.,0.,0.]表示某一个状态（格子）对应的四个动作“上下左右”的Q value
q_table = np.array([[[0.,0.,0.,0.],[0.,0.,0.,0.]],
[[0.,0.,0.,0.],[0.,0.,0.,0.]]]) def get_next_state(state, action):
'''对状态执行动作后，得到下一状态'''
if ((state[1] == 1 and action == (0,1)) or # 最后一列、向右
(state[1] == 0 and action == (0,-1)) or # 最前一列、向左
(state[0] == 1 and action == (1,0)) or # 最后一行、向下
(state[0] == 0 and action == (-1,0))): # 最前一行、向上
next_state = state
else:
next_state = (state[0] + action[0], state[1] + action[1])
return next_state def get_valid_actions(state):
'''取当前状态下的合法动作集合'''
valid_actions = []
if state[1] < 1: # 除最后一列，可向右
valid_actions.append((0,1))
if state[1] > 0: # 除最前一列，可向左(-1)
valid_actions.append((0,-1))
if state[0] < 1: # 除最后一行，可向下
valid_actions.append((1,0))
if state[0] > 0: # 除最前一行，可向上
valid_actions.append((-1,0))
return valid_actions # 总共探索300次
for i in range(1000):
# 0.从最左边的位置开始（不是必要的）
current_state = (0,0)
#current_state = random.choice(states)
#current_state = tuple(np.random.randint(2, size=2))
while current_state != states[-1]:
# 1.取当前状态下的合法动作中，随机（或贪婪）地选一个作为 当前动作
if (np.random.uniform() > epsilon) or ((q_table[current_state[0],current_state[1]] == 0).all()): # 探索
current_action = random.choice(get_valid_actions(current_state))
else:
current_action = actions[q_table[current_state[0],current_state[1]].argmax()] # 利用（贪婪）
# 2.执行当前动作，得到下一个状态（位置）
next_state = get_next_state(current_state, current_action)
# 3.取下一个状态所有的Q value，待取其最大值
next_state_q_values = [q_table[next_state[0],next_state[1],actions.index(action)] for action in get_valid_actions(next_state)]
# 4.根据贝尔曼方程，更新 Q table 中当前状态-动作对应的 Q value
q_table[current_state[0],current_state[1],actions.index(current_action)] += alpha * (rewards[next_state[0]][next_state[1]] + gamma * max(next_state_q_values) - q_table[current_state[0],current_state[1],actions.index(current_action)])
# 5.进入下一个状态（位置）
current_state = next_state print('\nq_table:')
print(q_table)
11.课后思考题
有缘看到此文的朋友，请尝试下实现更大规模的迷宫问题，评论交作业哦。迷宫如下：
（图片来源：https://jizhi.im/blog/post/intro_q_learning）
【强化学习】python 实现 q-learning 例二的更多相关文章
- 深度强化学习（DQN-Deep Q Network）之应用-Flappy Bird
深度强化学习(DQN-Deep Q Network)之应用-Flappy Bird 本文系作者原创,转载请注明出处:https://www.cnblogs.com/further-further-fu ...
- 机器学习之强化学习概览（Machine Learning for Humans: Reinforcement Learning）
声明:本文翻译自Vishal Maini在Medium平台上发布的<Machine Learning for Humans>的教程的<Part 5: Reinforcement Le ...
- 深度强化学习（Deep Reinforcement Learning）入门：RL base & DQN-DDPG-A3C introduction
转自https://zhuanlan.zhihu.com/p/25239682 过去的一段时间在深度强化学习领域投入了不少精力,工作中也在应用DRL解决业务问题.子曰:温故而知新,在进一步深入研究和应 ...
- 【转】【强化学习】Deep Q Network(DQN)算法详解
原文地址:https://blog.csdn.net/qq_30615903/article/details/80744083 DQN(Deep Q-Learning)是将深度学习deeplearni ...
- 廖雪峰网站：学习python函数—定义函数（二）
def my_abs(x): if x >= 0: return x else: return -x print(my_abs(-99)) # 空函数 def nop(): pass # 参数检 ...
- [Reinforcement Learning] 强化学习介绍
随着AlphaGo和AlphaZero的出现,强化学习相关算法在这几年引起了学术界和工业界的重视.最近也翻了很多强化学习的资料,有时间了还是得自己动脑筋整理一下. 强化学习定义 先借用维基百科上对强化 ...
- Deep Learning专栏--强化学习之从 Policy Gradient 到 A3C（3）
在之前的强化学习文章里,我们讲到了经典的MDP模型来描述强化学习,其解法包括value iteration和policy iteration,这类经典解法基于已知的转移概率矩阵P,而在实际应用中,我们 ...
- 深度强化学习（DRL）专栏（一）
目录: 1. 引言 专栏知识结构 从AlphaGo看深度强化学习 2. 强化学习基础知识 强化学习问题 马尔科夫决策过程 最优价值函数和贝尔曼方程 3. 有模型的强化学习方法 价值迭代 策略迭代 4. ...
- (转) 深度强化学习综述：从AlphaGo背后的力量到学习资源分享（附论文）
本文转自:http://mp.weixin.qq.com/s/aAHbybdbs_GtY8OyU6h5WA 专题 | 深度强化学习综述:从AlphaGo背后的力量到学习资源分享(附论文) 原创 201 ...
- 强化学习论文（Scalable agent alignment via reward modeling: a research direction）
原文地址: https://arxiv.org/pdf/1811.07871.pdf ======================================================== ...
随机推荐
- linux（乌班图）修改apt下载源
有时候会出现乌班图系统刚安装,无法使用apt下载安装软件工具,此时需要修改apt下载源. 1.进入/etc/apt/目录下 2.备份sources.list文件(如果不在root用户下,需在前面加s ...
- BD是什么角色
BD是什么角色? 在一般创业公司里面,有了产品接下来就是运营了,而运营中很重要的一点就是BD,也就是所谓商务拓展了,俗一点说就是生意的合作拓展 https://www.jianshu.com/p/7d ...
- 【HANA系列】SAP HANA XS使用JavaScript数据交互详解
公众号:SAP Technical 本文作者:matinal 原文出处:http://www.cnblogs.com/SAPmatinal/ 原文链接:[HANA系列]SAP HANA XS使用Jav ...
- JS获取当前星期几的简易写法
var str = "今天是星期" + "日一二三四五六".charAt(new Date().getDay()); mark在此,方便日后复制 原文https ...
- SQL SERVER利用BCP命令在命令行下导出数据到csv文件中
bcp "select * from (DBNAME).dbo.qt_trace where User_1 is not null" queryout c:\%date:~6,4% ...
- windows任务管理器怎么知道多个IIS网站进程分别对应哪个网站
摘要: 1.IIS网站对应的进程名一般叫w3wp.exe (windows2008系统为例,其他类似) 2.windows默认的任务管理器只能看到多个同名的进程名w3wp.exe,没法区别分别对应哪个 ...
- nginx limit_rate突然限速失败
##问题 nginx限制用户对指定目录的访问: <!-- lang: shell --> location ~ ^/(path001)/ { limit_rate 0k; limit_co ...
- oracle经验记录
1.添加新User时必须要增加的角色权限:connect.dba.resource 2.添加表空间的语句 create tablespace DEMOSPACE datafile 'D:/test.d ...
- January 29th, 2018 Week 05th Monday
Losing all hope was freedom. 彻底绝望就是真正的自由. Losing all the hopes, and we are free to challenge everyth ...
- JS思维导图（转）
思维导图不得不说是学习及温习的极佳方法,这里转载一波网上他人的精品JS思维导图十张,共同学习,如有冒犯原著可联系本人及时处理.