前言：
目录：
- 强化学习概念
- 马尔科夫决策
- Bellman 方程
- 格子世界例子
一 强化学习
强化学习 必须在尝试之后，才能发现哪些行为会导致奖励的最大化。
当前的行为可能不仅仅会影响即时奖赏，还有影响下一步奖赏和所有奖赏
强化学习五要素如下：
1.2 强化学习流程
1： 产生轨迹(trajectory）
2： 策略评估(policy-evaluate)
3： 策略提升（policy-improve）
这里重点讲一下 产生轨迹：
当前处于某个state 下面，
按照策略选择 action =
根据新的state 给出 reward:
最后产生了轨迹链
二 马尔科夫决策
2.1 马尔科夫决策要求：
1： 能够检测到理想的状态
2： 可以多次尝试
3： 系统的下个状态只与当前信息有关，与更早的状态无关。
决策过程中还可和当前采取的动作有关.
2.2 马尔科夫决策五要素
S: 状态集合 states
A: 动作集合 actions
P: 状态转移概率 
R: 奖励函数（reward function) ，agent 采取某个动作后的及时奖励
r: 折扣系数意味当下的reward 比未来反馈更重要
2.3 主要流程
1: Agent 处于状态
2: 按照策略 选择动作 
3：执行该动作后,有一定的概率转移到新的状态 
2.4 价值函数
当前时刻处于状态s,未来获得期望的累积奖赏
分为两种： state 价值函数 state-action 价值函数
最优价值函数：
不同策略下, 累积奖赏最大的 
2.5 策略 policy
当前状态s 下,按照策略,要采用的动作
三 Bellman 方程
4.1 状态值函数为：
: T 步累积奖赏
:
折扣累积奖赏，
4.2 Bellman 方程
证明：
r折扣奖赏bellman 方程
四 格子世界例子
在某个格子,执行上下左右步骤,其中步骤最短的
为最优路径
5.1：gridword.py
import numpy as np
#手动输入格子的大小
WORLD_SIZE = 4
START_POS = [0,0]
END_POS = [WORLD_SIZE-1, WORLD_SIZE-1]
prob = 1.0
#折扣因子
DISCOUNT = 0.9
# 动作集={上,下,左,右}
ACTIONS = [np.array([0, -1]), #left
np.array([-1, 0]), # up
np.array([0, 1]), # right
np.array([1, 0])] # down
class GridwordEnv():
def action_name(self, action):
if action ==0:
name = "左"
elif action ==1:
name = "上"
elif action ==2:
name = "右"
else:
name = "上"
return name
def __init__(self):
self.nA = 4 #action：上下左右
self.nS = 16 #state: 16个状态
self.S = []
for i in range(WORLD_SIZE):
for j in range(WORLD_SIZE):
state =[i,j]
self.S.append(state)
def step(self, s, a):
action = ACTIONS[a]
state = self.S[s]
done = False
reward = 0.0
next_state = (np.array(state) + action).tolist()
if (next_state == START_POS) or (state == START_POS):
next_state = START_POS
done = True
elif (next_state == END_POS) or (state == START_POS):
next_state = END_POS
done = True
else:
x, y = next_state
# 判断是否出界
if x < 0 or x >= WORLD_SIZE or y < 0 or y >= WORLD_SIZE:
reward = -1.0
next_state = state
else:
reward = -1.0
return prob, next_state, reward,done5.2 main.py
# -*- coding: utf-8 -*-
"""
Created on Mon Nov 13 09:39:37 2023
@author: chengxf2
"""
import numpy as np
def init_state(WORLD_SIZE):
S =[]
for i in range(WORLD_SIZE):
for j in range(WORLD_SIZE):
state =[i,j]
S.append(state)
print(S)
# -*- coding: utf-8 -*-
"""
Created on Fri Nov 10 16:48:16 2023
@author: chengxf2
"""
import numpy as np
import sys
from gym.envs.toy_text import discrete #环境
from enum import Enum
from gridworld import GridwordEnv
class Agent():
def __init__(self,env):
self.discount_factor = 1.0 #折扣率
self.theta = 1e-3 #最大偏差
self.S = []
self.env = env
#当前处于的位置,V 累积奖赏
def one_step_lookahead(self,s, v):
R = np.zeros((env.nA)) #不同action的累积奖赏
for action in range(env.nA):
prob, next_state,reward, done = env.step(s, action) #只有一个
next_state_index = self.env.S.index(next_state)
#print("\n state",s ,"\t action ",action, "\t new_state ", next_state,"\t next_state_index ", next_state_index,"\t r: ",reward)
r= prob*(reward + self.discount_factor*v[next_state_index])
R[action] +=r
#print("\n state ",s, "\t",R)
return R
def value_iteration(self, env, theta= 1e-3, discount_factor =1.0):
v = np.zeros((env.nS)) #不同状态下面的累积奖赏,16个状态
iterNum = 0
while True:
delta = 0.0
for s in range(env.nS):
R = self.one_step_lookahead(s,v)#在4个方向上面得到的累积奖赏
best_action_value = np.max(R)
#print("\n state ",s, "\t R ",R, "\t best_action_value ",best_action_value)
bias = max(delta, np.abs(best_action_value-v[s]))
v[s] =best_action_value
#if (s+1)%4 == 0:
#print("\n -----s ------------",s)
iterNum +=1
if bias<theta:
break
print("\n 迭代次数 ",iterNum)
return v
def learn(self):
policy = np.zeros((env.nS,env.nA))
v = self.value_iteration(self.env, self.theta, self.discount_factor)
for s in range(env.nS):
R = self.one_step_lookahead(s,v)
best_action= np.argmax(R)
#print(s,best_action_value )
policy[s,best_action] = 1.0
return policy,v
if __name__ == "__main__":
env = GridwordEnv()
agent =Agent(env)
policy ,v = agent.learn()
for s in range(env.nS):
action = np.argmax(policy[s])
act_name = env.action_name(action)
print("\n state ",s, "\t action ",act_name, "\t 累积奖赏 ",v[s])参考：
【强化学习玩游戏】1小时竟然就学会了强化学习dqn算法原理及实战（人工智能自动驾驶/深度强化学习/强化学习算法/强化学习入门/多智能体强化学习）_哔哩哔哩_bilibili