我们将会应用 Q-learning 算法完成一个经典的 Markov 决策问题 – 走迷宫！

项目描述：

1530180453875080109.png

在该项目中，你将使用强化学习算法，实现一个自动走迷宫机器人。

1. 如上图所示，智能机器人显示在右上角。在我们的迷宫中，有陷阱（红色炸弹）及终点（蓝色的目标点）两种情景。机器人要尽量避开陷阱、尽快到达目的地。

2. 小车可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走 l。

3. 执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况。

• 撞到墙壁：-10

• 走到终点：50

• 走到陷阱：-30

• 其余情况：-0.1

5. 我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。

Section 1 算法理解

1. 1 强化学习总览

强化学习作为机器学习算法的一种，其模式也是让智能体在“训练”中学到“经验”，以实现给定的任务。但不同于监督学习与非监督学习，在强化学习的框架中，我们更侧重通过智能体与环境的交互来学习。通常在监督学习和非监督学习任务中，智能体往往需要通过给定的训练集，辅之以既定的训练目标（如最小化损失函数），通过给定的学习算法来实现这一目标。然而在强化学习中，智能体则是通过其与环境交互得到的奖励进行学习。这个环境可以是虚拟的（如虚拟的迷宫），也可以是真实的（自动驾驶汽车在真实道路上收集数据）。

在强化学习中有五个核心组成部分，它们分别是：环境**（Environment）、智能体（Agent）、状态（State）、动作（Action）和奖励（Reward）**。在某一时间节点 t：

• 智能体在从环境中感知其所处的状态

  

  1530180923464001413.png
  
  

• 智能体根据某些准则选择动作

  

  1530180936237020471.png
  
  

• 环境根据智能体选择的动作，向智能体反馈奖励

  

  1530180947763091372.png
  
  

通过合理的学习算法，智能体将在这样的问题设置下，成功学到一个在状态

1530180959024016899.png

选择动作

1530180966720058733.png

的策略

1530180976289090382.png

。

1.2 计算 Q 值

在我们的项目中，我们要实现基于 Q-Learning 的强化学习算法。Q-Learning 是一个值迭代（Value Iteration）算法。与策略迭代（Policy Iteration）算法不同，值迭代算法会计算每个”状态“或是”状态-动作“的值（Value）或是效用（Utility），然后在执行动作的时候，会设法最大化这个值。因此，对每个状态值的准确估计，是我们值迭代算法的核心。通常我们会考虑最大化动作的长期奖励，即不仅考虑当前动作带来的奖励，还会考虑动作长远的奖励。

在 Q-Learning 算法中，我们把这个长期奖励记为 Q 值，我们会考虑每个 ”状态-动作“ 的 Q 值，具体而言，它的计算公式为：

1530180985028022434.png

也就是对于当前的“状态-动作”

1530180993703033340.png

，我们考虑执行动作

1530181003121030727.png

后环境给我们的奖励

1530181008767097807.png

，以及执行动作

1530181014952059949.png

到达

1530181021050040542.png

后，执行任意动作能够获得的最大的 Q 值

1530181170074019389.png

，

1530181183293036764.png

为折扣因子。

不过一般地，我们使用更为保守地更新 Q 表的方法，即引入松弛变量 alpha，按如下的公式进行更新，使得 Q 表的迭代变化更为平缓。

1530181055096015203.png

1530181080916012783.png

根据已知条件求

1530181104375035416.png

。

已知：如上图，机器人位于 s1，行动为 u，行动获得的奖励与题目的默认设置相同。在 s2 中执行各动作的 Q 值为：u: -24，r: -13，d: -0.29、l: +40，γ取 0.9。

1530181116066078997.png

1.3****如何选择动作

在强化学习中，「探索-利用」问题是非常重要的问题。具体来说，根据上面的定义，我们会尽可能地让机器人在每次选择最优的决策，来最大化长期奖励。但是这样做有如下的弊端：

1. 在初步的学习中，我们的 Q 值会不准确，如果在这个时候都按照 Q 值来选择，那么会造成错误。

2. 学习一段时间后，机器人的路线会相对固定，则机器人无法对环境进行有效的探索。

因此我们需要一种办法，来解决如上的问题，增加机器人的探索。由此我们考虑使用 epsilon-greedy 算法，即在小车选择动作的时候，以一部分的概率随机选择动作，以一部分的概率按照最优的 Q 值选择动作。同时，这个选择随机动作的概率应当随着训练的过程逐步减小。

在如下的代码块中，实现 epsilon-greedy 算法的逻辑，并运行测试代码。

1. import random

2. import operator

3. actions = [‘u’,‘r’,‘d’,‘l’]

4. qline = {‘u’:1.2, ‘r’:-2.1, ‘d’:-24.5, ‘l’:27}

5. epsilon = 0.3 # 以 0.3 的概率进行随机选择

6. def choose_action(epsilon):

7. range(100):

8. print(res)

9. res = ‘’

10. for i in range(100):

11. print(res)

12. ldllrrllllrlldlldllllllllllddulldlllllldllllludlldllllluudllllllulllllllllllullullllllllldlulllllrlr

Section 2 代码实现

2.1. Maze 类理解

我们首先引入了迷宫类 Maze，这是一个非常强大的函数，它能够根据你的要求随机创建一个迷宫，或者根据指定的文件，读入一个迷宫地图信息。

1. 使用 Maze("file_name") 根据指定文件创建迷宫，或者使用 Maze(maze_size=(height, width)) 来随机生成一个迷宫。

2. 使用 trap number 参数，在创建迷宫的时候，设定迷宫中陷阱的数量。

3. 直接键入迷宫变量的名字按回车，展示迷宫图像（如 g=Maze("xx.txt")，那么直接输入 g 即可。

4. 建议生成的迷宫尺寸，长在 6~12 之间，宽在 10～12 之间。

在如下的代码块中，创建你的迷宫并展示。

1. from Maze import Maze

2. %matplotlib inline

3. %confer InlineBackend.figure_format = ‘retina’

4. ## to-do: 创建迷宫并展示

5. g=Maze(maze_size=(6,8), trap_number=1)

6. g

1530179816094079444.png

Maze of size (12, 12

)

你可能已经注意到，在迷宫中我们已经默认放置了一个机器人。实际上，我们为迷宫配置了相应的 API，来帮助机器人的移动与感知。其中你随后会使用的两个 API 为 maze.sense_robot() 及 maze.move_robot()。

1. maze.sense_robot() 为一个无参数的函数，输出机器人在迷宫中目前的位置。

2. maze.move_robot(direction) 对输入的移动方向，移动机器人，并返回对应动作的奖励值。

随机移动机器人，并记录下获得的奖励，展示出机器人最后的位置。

1. rewards = []

2. ## 循环、随机移动机器人 10 次，记录下奖励

3. for i in range(10):

4. ## 输出机器人最后的位置

5. print(g.sense_robot())

6. ## 打印迷宫，观察机器人位置

7. g

(0,9)

1530179793744005425.png

2.2. Robot 类实现

Robot 类是我们需要重点实现的部分。在这个类中，我们需要实现诸多功能，以使得我们成功实现一个强化学习智能体。总体来说，之前我们是人为地在环境中移动了机器人，但是现在通过实现 Robot 这个类，机器人将会自己移动。通过实现学习函数，Robot 类将会学习到如何选择最优的动作，并且更新强化学习中对应的参数。

首先 Robot 有多个输入，其中 alpha=0.5, gamma=0.9, epsilon0=0.5 表征强化学习相关的各个参数的默认值，这些在之前你已经了解到，Maze 应为机器人所在迷宫对象。

随后观察 Robot.update 函数，它指明了在每次执行动作时，Robot 需要执行的程序。按照这些程序，各个函数的功能也就明了了。

运行如下代码检查效果（记得将 maze 变量修改为你创建迷宫的变量名）。

1. import random

2. import operator

3. class Robot(object):

4. # from Robot import Robot

5. # g=Maze(maze_size=(6,12), trap_number=2)

6. g=Maze(“test_world\maze_01.txt”)

7. robot = Robot(g) # 记得将 maze 变量修改为你创建迷宫的变量名

8. robot.set_status(learning=True,testing=False)

9. print(robot.update())

10. g

（'d', -0.1）  

1530179766935039317.png

Maze of size (12, 12)  

2.3 用 Runner 类训练 Robot

在完成了上述内容之后，我们就可以开始对我们 Robot 进行训练并调参了。我们准备了又一个非常棒的类 Runner，来实现整个训练过程及可视化。使用如下的代码，你可以成功对机器人进行训练。并且你会在当前文件夹中生成一个名为 filename 的视频，记录了整个训练的过程。通过观察该视频，你能够发现训练过程中的问题，并且优化你的代码及参数。

尝试利用下列代码训练机器人，并进行调参。可选的参数包括：

• 训练参数

• 训练次数 epoch
  

• 机器人参数：

• epsilon0 (epsilon 初值)

• epsilon衰减（可以是线性、指数衰减，可以调整衰减的速度），你需要在 Robot.py 中调整

• alpha
  

• gamma
  

• 迷宫参数:

• 迷宫大小

• 迷宫中陷阱的数量

• ## 可选的参数：

• epoch = 20

• epsilon0 = 0.5

• alpha = 0.5

• gamma = 0.9

• maze_size = (6,8)

• trap_number = 2

1. from Runner import Runner

2. g = Maze(maze_size=maze_size,trap_number=trap_number)

3. r = Robot(g,alpha=alpha, epsilon0=epsilon0, gamma=gamma)

4. r.set_status(learning=True)

5. runner = Runner(r, g)

6. runner.run_training(epoch, display_direction=True)

7. #runner.generate_movie(filename = “final1.mp4”) # 你可以注释该行代码，加快运行速度，不过你就无法观察到视频了。

8. g

1530179729275061019.png

使用 runner.plot_results() 函数，能够打印机器人在训练过程中的一些参数信息。

• Success Times 代表机器人在训练过程中成功的累计次数，这应当是一个累积递增的图像。

• Accumulated Rewards 代表机器人在每次训练 epoch 中，获得的累积奖励的值，这应当是一个逐步递增的图像。

• Running Times per Epoch 代表在每次训练 epoch 中，小车训练的次数（到达终点就会停止该 epoch 转入下次训练），这应当是一个逐步递减的图像。

使用 runner.plot_results() 输出训练结果。

1. runner.plot_results()

1530181321915066661.png

本文转载自宜信技术学院网站。

原文链接：http://college.creditease.cn/detail/148