Q-Learning解决二维寻宝问题

上回使用Q-Learning实现了一维环境里的寻宝问题，接下来将其扩展到二维环境。与一维环境中仅能左右移动不同，探索者可以在二维环境里进行上下左右四个方向移动。

环境说明

二维寻宝问题的环境如下图，探索者能够在5x5的位置中移动，起点位置为绿色方块，宝藏位置为红色方块，每一个位置对应相应的奖励。探索者从起点开始，在上下左右中选择移动方向，直至到达红色区域并获得宝藏。

Q-Learning流程

实现流程：（1）设置初始状态；（2）选择动作；（3）获取状态反馈；（4）更新Q表；（5）更新状态；（6）设置终止条件

状态动作说明

状态（state）:探索者所处的位置，使用（X,Y）表示。例如（0，0）表示探索者处于第一行第一列。
动作（action）：探索者能够选择的移动方向，分为上、下、左、右。

参数设置

初始化时需要设置环境状态，动作列表以及算法的参数。

class TwoDimensionQTable:
    def __init__(self, states,actions,rewords,learningRate=0.01, rewarddecay=0.9, eGreedy=0.9,episode=200):
        #状态列表
        self.states=states
        #动作列表
        self.actions = actions
        #奖励列表
        self.rewords=rewords
        #学习率
        self.lr = learningRate
        #奖励衰减率
        self.gamma = rewarddecay
        #贪婪策略
        self.epsilon = eGreedy
        #训练次数
        self.episode=episode
        #空Q表
        self.qTable = pd.DataFrame(columns=self.actions, dtype=np.float64)

由于初始设置Q表为空，在算法进行过程中需要将探索得到的新状态添加进入Q表并更新Q表的行列。

    #遇到新状态后添加到Q表，行索引：状态；列索引：动作
    def stateExist(self, state):
        if str(state) not in self.qTable.index:
            self.qTable = self.qTable.append(
                pd.Series(
                    [0]*len(self.actions),
                    index=self.qTable.columns,
                    name=str(state),
                    )
            )

动作选择

在动作选择部分，算法根据当前状态（state）选择动作（action）。选择动作过程中的策略是：90%的概率根据Q表最优值进行选择；10%的概率随机选择；

在动作选择过程中，由于二维环境存在边界限制，选择的动作时需要考虑边界条件。例如，处于第一行时，探索者无法选择向上的动作。

#根据状态从qTable选择动作
    def chooseAction(self,state):
        #判断状态是否存在Q表中
        self.stateExist(str(state))
        #选择采取的动作
        #90%的概率按照Q表最优进行选择
        if np.random.uniform()<self.epsilon:
            #动作限制
            if state[0]==0:
                if state[1]==0:
                    actionLimits=['right','down']
                elif state[1]==len(self.rewords[0])-1:
                    actionLimits=['left','down']
                else:
                    actionLimits=['left','right','down']
            elif state[0]==len(self.rewords)-1:
                if state[1]==0:
                    actionLimits=['up','right']
                elif state[1]==len(self.rewords[0])-1:
                    actionLimits=['left','up']
                else:
                    actionLimits=['left','right','up']
            elif state[1]==0:
                if state[0]==0:
                    actionLimits=['down','right']
                elif state[0]==len(self.rewords)-1:
                    actionLimits=['right','up']
                else:
                    actionLimits=['down','right','up']
            elif state[1]==len(self.rewords[0])-1:
                if state[0]==0:
                    actionLimits=['down','left']
                elif state[0]==len(self.rewords)-1:
                    actionLimits=['left','up']
                else:
                    actionLimits=['down','left','up']
            else:
                actionLimits=self.actions
            stateActionList=self.qTable.loc[str(state),:][actionLimits]
            #print("stateActionList:",stateActionList)
            #若存在多个最好动作，则随机选择其中一个
            action=np.random.choice(stateActionList[stateActionList==np.max(stateActionList)].index)
        #10%的概率随机选择一个动作
        else:
            if state[0]==0:
                if state[1]==0:
                    action=np.random.choice(['right','down'])
                elif state[1]==len(self.rewords[0])-1:
                    action=np.random.choice(['left','down'])
                else:
                    action=np.random.choice(['left','right','down'])
            elif state[0]==len(self.rewords)-1:
                if state[1]==0:
                    action=np.random.choice(['up','right'])
                elif state[1]==len(self.rewords[0])-1:
                    action=np.random.choice(['left','up'])
                else:
                    action=np.random.choice(['left','right','up'])
            elif state[1]==0:
                if state[0]==0:
                    action=np.random.choice(['down','right'])
                elif state[0]==len(self.rewords)-1:
                    action=np.random.choice(['right','up'])
                else:
                    action=np.random.choice(['down','right','up'])
            elif state[1]==len(self.rewords[0])-1:
                if state[0]==0:
                    action=np.random.choice(['down','left'])
                elif state[0]==len(self.rewords)-1:
                    action=np.random.choice(['left','up'])
                else:
                    action=np.random.choice(['down','left','up'])
            else:
                action=np.random.choice(self.actions)
        return action

状态反馈

在探索环境中，宝藏位置的奖励为1，陷阱位置设定为-1，其余位置设定为0。

#根据状态和动作返回下一个状态和当前的奖励
    def feedBack(self,state,action):
        #向上移动
        if action=='up':
            nextState=(state[0]-1,state[1])
        elif action=='down':
            nextState=(state[0]+1,state[1])
        elif action=='left':
            nextState=(state[0],state[1]-1)
        else:
            nextState=(state[0],state[1]+1)
        reword=self.rewords[nextState[0]][nextState[1]]
        return nextState,reword

更新Q表

#根据当前状态、动作、下一状态、奖励更新Q表
    def updateTable(self,state,action,nextState,reword):
        #判断状态是否存在Q表中
        self.stateExist(str(nextState))
        #当前状态值
        qPredict=self.qTable.loc[str(state),action]
        #下一状态值
        if nextState==(3,4):
            qTarget=reword
        else:
            qTarget=reword+self.gamma*self.qTable.loc[str(nextState),:].max()
        #更新
        self.qTable.loc[str(state),action]+=self.lr*(qTarget-qPredict)

主循环

#主循环
    def mainCycle(self):
        for episode in range(self.episode):
            #初始状态
            state=(0,0)
            actionStr=""
            while True:
                #选择动作
                action=self.chooseAction(state)
                if episode==self.episode-1:
                    actionStr+=str(state)+"->"
                #状态反馈
                nextState,reword=self.feedBack(state,action)
                #更新Q表
                self.updateTable(state,action,nextState,reword)
                #更新状态
                state=nextState
                #终止条件
                if state==(3,4):
                    if episode==self.episode-1:
                        print(actionStr)
                    break

总结

可以发现，算法的实现流程与一维寻宝的实现流程一致，其区别是二维环境的设置以及增加了边界条件限制，其余 *** 作的代码基本未改变。
因而，使用Q-Learning算法的统一实现流程模板：（1）设置初始状态；（2）选择动作；（3）获取状态反馈；（4）更新Q表；（5）更新状态；（6）设置终止条件。

===========================================
今天到此为止，后续记录其他强化学习技术的学习过程。
以上学习笔记，如有侵犯，请立即联系并删除！