第七篇：强化学习策略迭代 代码实现
你好，我是郭震(zhenguo)
今天介绍强化学习第7篇：强化学习策略迭代代码实现
首先，我们导入包：
import numpy as np其次，定义迷宫状态空间大小，在这里是9个空格，所以状态数9。
动作空间大小，最多为4个，上、下、左、右
num_states = 9
num_actions = 4
定义迷宫的奖励矩阵，它是二维数组，维度含义：[num_states][num_actions]
rewards = np.array([
[-1, -1, -1, -1],
[-1, 0, -1, 1],
[-1, -1, -1, -1],
[1, -1, -1, -1],
[-1, -1, -1, -1],
[-1, 0, -1, 1],
[-1, -1, -1, -1],
[-1, 0, -1, 1],
[-1, 1, -1, 1],
])接下来，初始化策略和值函数：
policy = np.ones((num_states, num_actions)) / num_actions
values = np.zeros(num_states)策略迭代两步：
1）策略评估函数
2）策略改进
迭代第一步：策略评估
主要就是更新values，核心一行代码下面：
v += policy[s][a] * (rewards[s][a] + values[next_state])这是贝尔曼方程！贝尔曼方程是动态规划和强化学习中的基本方程，由Richard Bellman提出。
贝尔曼方程表达了状态或状态-动作对的值与按照特定策略获得的预期回报之间的关系。
贝尔曼方程的一般形式如下：
其中， 表示状态 的值函数，即按照某个策略获得的预期回报。 表示选择能够使得值最大化的动作 。 表示对所有可能的下一个状态 和奖励 进行求和。 表示在状态 下执行动作 后转移到状态 且获得奖励 的概率。 是折扣因子，用于平衡当前和未来的奖励。
通过求解贝尔曼方程，我们可以计算出每个状态的值函数 ，从而确定最优策略。
#
def policy_evaluation():
global values
delta = 1e-6 # 停止迭代的阈值
max_iterations = 1000 # 最大迭代次数
for _ in range(max_iterations):
new_values = np.zeros(num_states)
for s in range(num_states):
v = 0
for a in range(num_actions):
next_state = get_next_state(s, a) # 获取下一个状态
v += policy[s][a] * (rewards[s][a] + values[next_state])
new_values[s] = v
if np.max(np.abs(new_values - values)) < delta:
break
values = new_values定义获取下一个状态的函数:
def get_next_state(state, action):
if state == 1 and action == 3:
return 3
elif state == 3 and action == 0:
return 1
else:
return state迭代第二步：策略改进
主要更新策略 policy 数组
# 定义策略改进函数
def policy_improvement():
global policy
for s in range(num_states):
q_values = np.zeros(num_actions)
for a in range(num_actions):
next_state = get_next_state(s, a) # 获取下一个状态
q_values[a] = rewards[s][a] + values[next_state]
best_action = np.argmax(q_values)
new_policy = np.zeros(num_actions)
new_policy[best_action] = 1
policy[s] = new_policy联合以上两步就得到策略迭代算法。
# 策略迭代算法
def policy_iteration():
max_iterations = 30 # 最大迭代次数
for _ in range(max_iterations):
policy_evaluation() # 策略评估
policy_improvement() # 策略改进感谢你的点赞和转发，让我更新更有动力