強化學習 Q-learning 實戰GYM下的CliffWalking爬懸崖遊戲

CliffWalking

• 如下圖所示，S是起點，C是障礙，G是目標
• agent從S開始走，目標是找到到G的最短路徑
• 這裏reward可以建模成-1，最終目標是讓return最大，也就是路徑最短
  

代碼和解釋

import gym
import time
import numpy as np 

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      # 動作維度，有幾個動作可選
        self.lr = learning_rate # 學習率
        self.gamma = gamma      # reward的衰減率
        self.epsilon = e_greed  # 按一定概率隨機選動作
        self.Q = np.zeros((obs_n, act_n))

    # 根據輸入觀察值，採樣輸出的動作值，帶探索
    def sample(self, obs):
        if np.random.uniform(0, 1) < (1.0 - self.epsilon): #根據table的Q值選動作
            action = self.predict(obs)
        else:
            action = np.random.choice(self.act_n) #有一定概率隨機探索選取一個動作
        return action

    # 根據輸入觀察值，預測輸出的動作值
    def predict(self, obs):
        Q_list = self.Q[obs, :]
        maxQ = np.max(Q_list)
        action_list = np.where(Q_list == maxQ)[0]  # maxQ可能對應多個action
        action = np.random.choice(action_list)
        return action

    # 學習方法，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: 本次交互選擇的action, a_t
            reward: 本次動作獲得的獎勵r
            next_obs: 本次交互後的obs, s_t+1
            done: episode是否結束
        """
        predict_Q = self.Q[obs, action]
        if done:
            target_Q = reward # 沒有下一個狀態了
        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 的數據保存到文件中
    def save(self):
        npy_file = './q_table.npy'
        np.save(npy_file, self.Q)
        print(npy_file + ' saved.')

    # 從文件中讀取數據到 Q表格
    def restore(self, npy_file='./q_table.npy'):
        self.Q = np.load(npy_file)
        print(npy_file + ' loaded.')


# train.py

def run_episode(env, agent, render=False):
    total_steps = 0 # 記錄每個episode走了多少step
    total_reward = 0

    obs = env.reset() # 重置環境, 重新開一局（即開始新的一個episode）

    while True:
        action = agent.sample(obs) # 根據算法選擇一個動作
        next_obs, reward, done, _ = env.step(action) # 與環境進行一個交互
        # 訓練 Q-learning算法
        agent.learn(obs, action, reward, next_obs, done)

        obs = next_obs  # 存儲上一個觀察值
        total_reward += reward
        total_steps += 1 # 計算step數
        if render:
            env.render() #渲染新的一幀圖形
        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
        # time.sleep(0.5)
        # env.render()
        if done:
            break
    return total_reward

# 使用gym創建懸崖環境
env = gym.make("CliffWalking-v0")  # 0 up, 1 right, 2 down, 3 left

# 創建一個agent實例，輸入超參數
agent = QLearningAgent(
    obs_n=env.observation_space.n,
    act_n=env.action_space.n,
    learning_rate=0.1,
    gamma=0.9,
    e_greed=0.1)


# 訓練500個episode，打印每個episode的分數
for episode in range(500):
    ep_reward, ep_steps = run_episode(env, agent, False)
    print('Episode %s: steps = %s , reward = %.1f' % (episode, ep_steps, ep_reward))

# 全部訓練結束，查看算法效果
test_reward = test_episode(env, agent)
print('test reward = %.1f' % (test_reward))

運行結果

• Q值表的部分
• 讀取方法見此link
  這裏就不展示了