【徒手写机器学习算法】简单的Q-learning算法实现

简单的Q-learning算法实现

---

---

Q-Learning算法下，目标是达到目标状态(Goal State)并获取最高收益，一旦到达目标状态，最终收益保持不变。因此，目标状态又称之为吸收态。
Q-Learning算法下的agent，不知道整体的环境，知道当前状态下可以选择哪些动作。
通常，我们需要构建一个即时奖励矩阵R，用于表示从状态s到下一个状态s’的动作奖励值。
由即时奖励矩阵R计算得出指导agent行动的Q矩阵。
Q矩阵是agent的大脑。

Q-Learning算法原理

其核心转移更新方程是：

Q(s,a)=R(s,a)+γmax[Q(s′,all actions)] Q ( s , a ) = R ( s , a ) + γ m a x [ Q ( s ′ , a l l   a c t i o n s ) ]

其中， s′ s ′ 表示下一个状态.

Q-Learning算法核心,以一个episode为一个训练周期：从初始状态到终结态。
每学完一个episode后，再进入下一个episode学习。
因此，可以得到Q-Learning外层循环是一个episode，内层循环是episode的每一个step。

---

一个实例

现在假设我们需要解决一个问题：使用Q-learning让一个机器人走出如下构造的房间:

这个状态可以抽象为状态矩阵:

---

程序及编译

#include 
#include 
#include 
#include 
#include 

using namespace std;

#define gamma 0.24

int R[6][6] = {
{-1, -1, -1, -1, 0, -1},
{-1, 1, 1,  0,-1,100},
{-1, -1, 100,  0,-1, -1},
{-1,  0,  0, -1, 0, -1},
{ 0, 1, -1,  0,-1,100},
{-1, 100, 100, -1, 0,100}
};

double Q_value[6][6] = {
{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}
};

std::vector<std::vector<double> > Q;

void make_Q(std::vector<std::vector<double> >& Q)
{
    for (int i = 0; i < 6; ++i)
    {
        std::vector<double> tmp_v;
        for (int j = 0; j < 6; ++j)
        {
            tmp_v.push_back(Q_value[i][j]);
        }
        Q.push_back(tmp_v);
    }
}

double max_Q(int state)
{
    double max_Q = Q[state][0];
    for (int i = 1; i < 6; ++i)
    {
        if(Q[state][i]>max_Q){max_Q = Q[state][i]>max_Q;}
    }
    return max_Q; 
}

double transfer_rule(int state,int action)
{
    return R[state][action] + gamma*max_Q(action);
}


//double train(int step_num,double& Q[6][6])
double train(int step_num,std::vector<std::vector<double> >& Q)
{
    while(step_num)
    {
        int start_state = step_num%5;
        if (start_state!=5)
        {
            for (int i = 0; i < 6; ++i)
            {
                if (R[start_state][i]<0){continue;}
                srand((unsigned)time(NULL));int r = rand()%5;
                if (r%2==0){continue;}
                Q[start_state][i] = transfer_rule(start_state,i);
                start_state = i;
                break;
            }    
        }
        step_num--;
    }
}

double train_0(int step_num,double **Q)
{
    Q[0][0] = 1.0;
}

template <typename DType>
void print_2D_array(DType arr[6][6])
{
    for (int i = 0; i < 6; ++i)
    {
        for (int j = 0; j < 6; ++j)
        {
            cout<", ";
        }
        cout<<' '<cout<<' '<void print_2D_vec(std::vector<std::vector<double> > Q)
{
    for (int i = 0; i < 6; ++i)
    {
        for (int j = 0; j < 6; ++j)
        {
            cout<", ";
        }
        cout<<' '<cout<<' '<int main(int argc, char const *argv[])
{
    /*std::vector > R;
    for (int i = 0; i < 6; ++i)
    {
        std::vector tmp_v;
        for (int j = 0; j < 6; ++j)
        {
            tmp_v.push_back(reward[i][j]);
        }
        R.push_back(tmp_v);
    }*/
    //print_2D_vec(Q);
    make_Q(Q);
    print_2D_vec(Q);
    cout<<"------------------------- after trained ---------------"<25,Q);
    print_2D_vec(Q);

    return 0;
}

编译运行：

root@master:/Homework/c_and_point# g++ Q-learning.cpp -o ql
root@master:/Homework/c_and_point# ./ql 
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,  

------------------------- after trained ---------------
0, 0, 0, 0, 0, 0,  

0, 1.24, 0, 0, 0, 0,  

0, 0, 100.24, 0, 0, 0,  

0, 0.24, 0, 0, 0, 0,  

0, 0, 0, 0, 0, 0,  

0, 0, 0, 0, 0, 0,