强化学习之Q-Learning(附代码)

Q Q Q- L e a r n i n g \mathrm{Learning} Learning原理介绍

Q Q Q- L e a r n i n g \mathrm{Learning} Learning是强化学习的算法之一, Q \mathrm{Q} Q- L e a r n i n g \mathrm{Learning} Learning的主要目的就是学习状态动作价值函数的 Q ( s , a ) Q(s,a) Q(s,a),其中 Q ( s , a ) Q(s,a) Q(s,a)表示的是在给定当前状态 s s s和采取动作 a a a之后能够获得的收益期望。 Q Q Q- L e a r n i n g \mathrm{Learning} Learning利用状态 s s s和动作 a a a张成一个 Q Q Q表来储存 Q Q Q值,然后根据 Q Q Q值来选取能够获得最大收益的动作。 Q Q Q- L e a r n i n g \mathrm{Learning} Learning采用是值迭代的方法进行求解,其核心的迭代公式为 Q k + 1 ( s , a ) = ∑ s ^ ∈ S p ( s ^ ∣ s , a ) [ R ( s , a ) + γ ⋅ max ⁡ a ^ ∈ A { Q k ( s ^ , a ^ ) } ] Q_{k+1}(s,a)=\sum\limits_{\hat{s}\in\mathcal{S}}p(\hat{s}|s,a)\left[R(s,a)+\gamma \cdot \max\limits_{\hat{a}\in \mathcal{A}}\{Q_k(\hat{s},\hat{a})\}\right] Qk+1(s,a)=s^Sp(s^s,a)[R(s,a)+γa^Amax{ Qk(s^,a^)}]其中 Q k + 1 ( s , a ) Q_{k+1}(s,a) Qk+1(s,a) k + 1 k+1 k+1次迭代函数, s s s a a a分别表示的是当前的状态和执行的动作并且它们分别属于状态空间 S \mathcal{S} S和动作空间 A \mathcal{A} A R ( s , a ) R(s,a) R(s,a)表示的是在状态 s s s执行动作 a a a后的即时奖励, s ^ \hat{s} s^ a ^ \hat{a} a^表示的是下一个的状态和行为, p ( s ^ ∣ s , a ) p(\hat{s}|s,a) p(s^s,a)表示的是状态转移概率, γ \gamma γ表示的是折扣系数。
当动作空间 A \mathcal{A} A中的动作 a a a划分的足够细时候,给定当前状态 s s s和执行的动作 a a a,就能够明确确定下一个状态 s ^ \hat{s} s^,进而则有 p ( s ^ ∣ s , a ) = 1 p(\hat{s}|s,a)=1 p(s^s,a)=1,对上迭代公式进一步化简则有 Q k + 1 ( s , a ) = R ( s , a ) + γ ⋅ max ⁡ a ^ ∈ A { Q k ( s ^ , a ^ ) } Q_{k+1}(s,a)=R(s,a)+\gamma \cdot \max\limits_{\hat{a}\in \mathcal{A}}\{Q_k(\hat{s},\hat{a})\} Qk+1(s,a)=R(s,a)+γa^Amax{ Qk(s^,a^)}一般情况下 Q Q Q- L e a r n i n g \mathrm{Learning} Learning算法用到的都是以上的迭代公式。

Q Q Q- L e a r n i n g \mathrm{Learning} Learning具体实例

如下左半图显示,该图共有六个状态,五个房间分别是状态 0 0 0 1 1 1 2 2 2 3 3 3 4 4 4,以及房间外状态 5 5 5,右半图为左半图的状态转移过程的抽象示意图。现在的问题是如果有一个人在任意的一个房间里,给他支个招让他走出房间外。我们就可以通过强化学习中的 Q Q Q- L e a r n i n g \mathrm{Learning} Learning方法来解决这个问题。
强化学习之Q-Learning(附代码)_第1张图片
在解决这个问题之前需要先确定奖励矩阵 R R R,其元素表示的是当一个给定一个状态 s s s,当执行某个动作 a a a后,它的即时奖励 R ( s , a ) R(s,a) R(s,a)的取值。规定当走出房间外到达状态 5 5 5的动作奖励为 100 100 100,如果没有走出房间外但在房间内可以走通的是奖励为 0 0 0,如果房间内也不能走通的动作奖励为 − 1 -1 1。奖励矩阵 R R R具体取值如下所示。
R = [ − 1 − 1 − 1 − 1 0 − 1 − 1 − 1 − 1 0 − 1 100 − 1 − 1 − 1 0 − 1 − 1 − 1 0 0 − 1 0 − 1 0 − 1 − 1 0 − 1 100 − 1 0 − 1 − 1 0 100 ] R=\left[\begin{array}{rrrrrr}-1&-1&-1&-1&0&-1\\-1&-1&-1&0&-1&100\\-1&-1&-1&0&-1&-1\\-1&0&0&-1&0&-1\\0&-1&-1&0&-1&100\\-1&0&-1&-1&0&100\end{array}\right] R=111101111010111011100101011010110011100100

  • 首先确定折扣系数 γ = 0.8 \gamma=0.8 γ=0.8,并将 Q Q Q初始化为一个零矩阵: Q = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ] Q=\left[\begin{array}{cccccc}0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\end{array}\right] Q=000000000000000000000000000000000000
  • 第一轮第一次迭代随机选择初始状态为房间 1 1 1,然后观察矩阵 R R R的第二行(对应房间 1 1 1或者状态 1 1 1),这一行中有两个非负值,即当前状态 1 1 1的下一步行为有两种可能:转至状态 3 3 3 5 5 5,此时选择随机选择转至状态 5 5 5。观察矩阵 R R R的第六行(对应房间 5 5 5或者状态 5 5 5),这一行有三个非负值,即当前状态 5 5 5的下一步行为有三种可能:转至状态 1 1 1 4 4 4 5 5 5。根据 Q Q Q- L e a r n i n g \mathrm{Learning} Learning值迭代公式则有 Q ( 1 , 5 ) = R ( 1 , 5 ) + 0.8 × max ⁡ { Q ( 5 , 1 ) , Q ( 5 , 4 ) , Q ( 5 , 5 ) } = 100 + 0.8 × max ⁡ { 0 , 0 , 0 } = 100 \begin{aligned}Q(1,5)&=R(1,5)+0.8 \times \max\left\{Q(5,1),Q(5,4),Q(5,5)\right\}\\&=100+0.8 \times \max \{0,0,0\}\\&=100\end{aligned} Q(1,5)=R(1,5)+0.8×max{ Q(5,1),Q(5,4),Q(5,5)}=100+0.8×max{ 0,0,0}=100则此时将矩阵 Q ( 1 , 5 ) Q(1,5) Q(1,5)位置(即该矩阵的第二行第六列)用 100 100 100进行数值更新。
    Q = [ 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ] Q=\left[\begin{array}{cccccc}0&0&0&0&0&0\\0&0&0&0&0&100\\0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\end{array}\right] Q=00000000000000000000000000000001000000
  • 第一轮第二次迭代随机选择状态为房间 3 3 3,然后观察矩阵 R R R的第四行(对应房间 3 3 3或者状态 3 3 3),这一行中有三个非负值,即当前状态 3 3 3的下一步行为有三种可能:转至状态 1 1 1 2 2 2 4 4 4,此时随机选择转至状态 1 1 1。观察矩阵 R R R的第二行(对应房间 1 1 1或者状态 1 1 1),这一行中有两个非负值,即当前状态 1 1 1的下一步行为有两种可能:转至状态 3 3 3 5 5 5。根据 Q Q Q- L e a r n i n g \mathrm{Learning} Learning值迭代公式则有 Q ( 3 , 1 ) = R ( 3 , 1 ) + 0.8 × max ⁡ { Q ( 1 , 3 ) , Q ( 1 , 5 ) } = 0 + 0.8 × max ⁡ { 0 , 100 } = 80 \begin{aligned}Q(3,1)&=R(3,1)+0.8 \times \max\left\{Q(1,3),Q(1,5)\right\}\\&=0+0.8 \times \max \{0,100\}\\&=80\end{aligned} Q(3,1)=R(3,1)+0.8×max{ Q(1,3),Q(1,5)}=0+0.8×max{ 0,100}=80则此时将矩阵 Q ( 3 , 1 ) Q(3,1) Q(3,1)位置(即该矩阵的第二行第六列)用 80 80 80进行数值更新。
    Q = [ 0 0 0 0 0 0 0 0 0 0 0 100 0 0 0 0 0 0 0 80 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ] Q=\left[\begin{array}{cccccc}0&0&0&0&0&0\\0&0&0&0&0&100\\0&0&0&0&0&0\\0&80&0&0&0&0\\0&0&0&0&0&0\\0&0&0&0&0&0\end{array}\right] Q=000000000800000000000000000000001000000
  • 经过多轮迭代之后直至 Q Q Q矩阵收敛,则此时的 Q Q Q即为所求,最后对 Q Q Q矩阵进行归一化。 Q = [ 0 0 0 0 400 0 0 0 0 320 0 500 0 0 0 320 0 0 0 400 256 0 400 0 320 0 0 320 0 500 0 400 0 0 400 500 ] ⟹ Q = [ 0 0 0 0 80 0 0 0 0 64 0 100 0 0 0 64 0 0 0 80 51 0 80 0 64 0 0 64 0 100 0 80 0 0 80 100 ] Q=\left[\begin{array}{cccccc}0&0&0&0&400&0\\0&0&0&320&0&500\\0&0&0&320&0&0\\0&400&256&0&400&0\\320&0&0&320&0&500\\0&400&0&0&400&500\end{array}\right]\Longrightarrow Q=\left[\begin{array}{cccccc}0&0&0&0&80&0\\0&0&0&64&0&100\\0&0&0&64&0&0\\0&80&51&0&80&0\\64&0&0&64&0&100\\0&80&0&0&80&100\end{array}\right] Q=00003200000400040000025600032032003200400004000400050000500500Q=0000640000800800005100064640640800080080010000100100

下图表示的是经过 Q Q Q- L e a r n i n g \mathrm{Learning} Learning算法学习之后得到的最终的状态转移示意图,其中每个带有箭头的线上标明这个动作对应的即时收益。所以不管在哪个状态下,只要利用贪心策略找即时收益最大的行为就可以走出房间。
强化学习之Q-Learning(附代码)_第2张图片
以上实例中 Q Q Q- L e a r n i n g \mathrm{Learning} Learning算法的完整代码如下所示,代码比较简单大约50行就可以完整实现该功能

import numpy as np  
import os
import random

def random_action(V):
	index_list = []
	for index, s in enumerate(list(V)):
		if s >= 0:
			index_list.append(index)
	return random.choice(index_list)

def reward_setting(state_num, action_num):
	R = -1 * np.ones((state_num , action_num))
	R[0,4] = 0
	R[1,3] = 0
	R[1,5] = 100
	R[2,3] = 0
	R[3,1] = 0
	R[3,2] = 0
	R[3,4] = 0
	R[4,0] = 0 
	R[4,3] = 0
	R[4,5] = 100
	R[5,1] = 0
	R[5,4] = 0
	R[5,5] = 100
	return R 


if __name__ == '__main__':
	action_num = 6
	state_num = 6
	gamma = 0.8
	epoch_number = 200
	condition_stop = 5

	Q = np.zeros((state_num , action_num))
	R = reward_setting(state_num , action_num)

	for epoch in range(epoch_number):
		for s in range(state_num):
			loop = True
			while loop:
				# Obtain random action a
				a = random_action(R[s,:])
				# Calculate maximum Q value
				q_max = np.max(Q[a,:]) 
				# Bellman optimal iteration equation
				Q[s,a] = R[s,a] + gamma * q_max
				s = a
				if s == condition_stop:
					loop = False
	Q = (Q / 5).astype(int)
	print(Q)

实验结果如下所示,大约训练200轮之后 Q Q Q矩阵就可以收敛到理论值,并且理论推导与实验结果一致。
强化学习之Q-Learning(附代码)_第3张图片

你可能感兴趣的