Q学习（Q-learning）简单理解

第1节 Q-learning逐步教程

本教程将通过一个简单但又综合全面的例子来介绍Q-learning 算法。该例子描述了一个利用无监督训练来学习未知环境的agent。
假设一幢建筑里面有5个房间，房间之间通过门相连。我们将这五个房间按照从0至4进行编号，且建筑的外围可认为是一个大的房间，编号为5。房间结构如下图：

上图的房间也可以通过一个图来表示，房间作为图的节点，两个房间若有门相连，则相应节点间对应一条边。如下图所示：

对于这个例子，我们首先将agent置于建筑中的任意一个房间，然后从那个房间开始让其走到建筑外，那是我们的目标房间(即编号为5的房间)。为了将编号为5的房间设置为目标，我们为每一扇门(即相应的边)关联一个reward值：直接连接到目标房间的门的reward值为100，其他门的rewad值为0。因为每一扇门都有两个方向(如由0号房间可以去4号房间，而由4号房间也可以返回0号房间)，因此每一个房间上指定两个箭头(一个指进一个指出),且每个箭头上带有一个reward值。如下图所示：

注意，编号为5的房间有一个指向自己的箭头，其reward值为100，其他直接指向目标房间的边的reward值也为100。Q-learning的目标是达到reward值最大的state，因此当 agent到达目标房间后将永远停留在那里。这种目标也称为“吸收目标”。
想象一下，我们的agent 是一个可以通过经验进行学习的“哑巴虚拟机器人”，它可以从个房间走到另一个房间，但是它不知道周边的环境，也不知道怎样走到建筑的外面去。
下面我们想对agent 从建筑里的任意房间的简单撤离进行建模。假定现在agent 位于 2号房间，我们希望agent通过学习到达5号房间。

Q-Learning算法中有两个重要术语:“状态(state)”和“行为(action)”。
我们将每一房间(包括5号房间)称为一个“状态”，将agent从一个房间走到另外一个房间称为一个“行为”。在图中一个“状态”对应一个节点，而一种“行为”对应一个箭头。

假设agent当前处于状态2。从状态2它可以转至状态3(因为状态2到状态3有边相连)。但从状态2不能转至状态1(因为状态2到状态1没边相连)。类似地，我们还有

• 从状态3，它可以转至状态1和4，也可以转回至状态2。
• 从状态4，它可以转至状态0，5和3。
• 从状态1，它可以转至状态5和3。
• 从状态0，它只能转至状态4。
  我们可以以状态为行，行为为列，构建一个关于reward值的矩阵R，其中的-1表示空值(相应节点之间没有边相连)。reward值矩阵R如下图：
  
  类似地，我们也可以构建一个矩阵Q，它用来表示agent已经从经验中学到的知识，矩阵Q与R是同阶的，其行表示状态，列表示行为。
  由于刚开始时agent对外界环境一无所知，因此矩阵Q应初始化为零矩阵。为简单起见，在本例中我们假设状态的数目是已知的(等于6)。对于状态数目未知的情形，我们可以让Q从一个元素出发，每次发现一个新的状态时就可以在Q中增加相应的行列。
  Q-learning算法的转移规则比较简单，如下式所示：
  
  其中s，a表示当前的状态和行为，s~，a~表示s的下一个状态及行为，学习参数γ为满足
  0≤γ<1的常数。
  在没有老师的情况下，我们的agent将通过经验进行学习(也称为无监督学习)，它不断从一个状态转至另一状态进行探索，直到到达目标。我们将agent的每一次探索称为一个 episode。在每一个episode中，agent从任意初始状态到达目标状态，当agent达到目标状态后，一个episode即结束，接着进入另一个episode。
  下面给出整个Q-learning算法的计算步骤
  算法1.1(Q-learning 算法)
  Step1给定参数γ和reward矩阵R
  Step2令Q=0
  Step 3 For each episode:
  3.1随机选择一个初始的状态s
  3.2若未达到目标，状态则执行以下几步
  （1）在当前状态的所有可能行为中选取一个行为a
  （2）利用选定的行为a得到下一个状态s~
  （3）按照 转移规则公式计算 Q(s,a)
  （4）令s：=s~
  Agent利用上述算法从经验中进行学习。每一个episode 相当于一个 training session。在一个training session中，agent探索外界环境，并接收外界环境的reward，直到达到目标状态。训练的目的是要强化agent的“大脑”(用Q表示)。训练得越多，则Q被优化得更好。当矩阵Q被训练强化后，agent便很容易找到达到目标状态的最快路径了。
  公式中的γ满足0≤γ<1。趋向于0表示agent主要考虑immediate reward，而趋向于1表示agent将同时考虑future rewards。
  利用训练好的矩阵Q，我们可以很容易地找出一条从任意状态s₀出发达到目标状态的行为路径，具体步骤如下:
  1.令当前状态s：=s₀
  2.确定a, 它满足 Q(s,a) =max{Q(s,a~)}
  3.令当前状态s：=s~(s~表示a对应的下一个状态)
  4.重复执行步2和步3直到s成为目标状态

第2节 Q-learning手工推演

为进一步理解上一节中介绍的Q-learning算法是如何工作的，下面我们一步一步地选代几个episode。
首先取学习参数γ=0.8，初始状态为房间1，并将Q初始化为一个零矩阵。如下图所示：

观察矩阵R的第二行(对应房间1或状态1)，它包含两个非负值，即当前状态1的下步行为有两种可能：转至状态3或转至状态5。随机地，我们选取转至状态5。

想象一下，当我们的agent位于状态5以后，会发生什么事情呢？观察矩阵R的第6 行(对应状态5)，它对应三个可能的行为转至状态1，4或5。根据公式，我们有
Q(1,5)= R(1,5)+0.8*max{Q(5,1)，Q(5,4)，Q(5.5)}
=100 +0.8*max(0，0，0)
=100
现在状态5变成了当前状态。因为状态5即为目标状态故一次episode便完成了，至此agent的“大脑”中的Q矩阵刷新为

接下来，进行下一次episode的迭代，首先随机地选取一个初始状态，这次我们选取状态3作为初始状态。
观察矩阵R的第四行(对应状态3)，它对应三个可能的行为：转至状态1，2或4。随机地，我们选取转至状态1。因此观察矩阵R的第二行(对应状态1)，它对应两个可能的行为：转至状态3或5。根据公式我们有
Q(3,1)=R(3,1)+0.8*max{Q(1,3)，Q(1,5)}
=0+0.8*max{0，100}
=80
注意上式中的Q(1,5)用到了上图中的刷新值。此时矩阵Q变为

现在状态1变成了当前状态。因为状态1还不是目标状态，因此我们需要继续往前探索。状态1对应三个可能的行为：转至状态3或5。不妨假定我们幸运地选择了状态5。

此时，同前面的分析一样，状态5有三个可能的行为：转至状态1，4或5。根据公式我们有
Q(1,5)=R(1,5)+0.8*max{Q(5,1)，Q(5,4)，Q(5,5)}
=100+0.8*max{0，0，0}
=100
注意，经过上一步刷新，矩阵Q并没有发生变化。
因为状态5即为目标状态，故这 一次episode 便完成了，至此agent “大脑”中的Q矩阵刷新为

若我们继续执行更多的episode，矩阵Q将最终收敛成

对其进行规范化，每个非零元素都除以矩阵Q的最大元素(这里为500)，可得(这里省略了百分号)

一旦矩阵Q足够接近于收敛状态，我们的agent便学习到了转移至目标状态的最佳路径。只需按照上一节结尾时介绍的步骤，即可找到最优的路径。如下图所示：

例如，从2为初始状态，利用Q，可得

• 从状态2，最大Q元素值指向状态3;
• 从状态3，最大Q元素值指向状态1或4(这里假设我们随机地选择了1);
• 从状态1，最大Q元素值指向状态5。

因此最佳路径的序列为2-3-1-5。

参考资料

1.https://blog.csdn.net/itplus/article/details/9361915