通过 Q-learning 深入理解强化学习

本文将带你学习经典强化学习算法 Q-learning 的相关知识。在这篇文章中，你将学到：(1)Q-learning 的概念解释和算法详解;(2)通过 Numpy 实现 Q-learning。

故事案例：骑士和公主

假设你是一名骑士，并且你需要拯救上面的地图里被困在城堡中的公主。

你每次可以移动一个方块的距离。敌人是不能移动的，但是如果你和敌人落在了同一个方块中，你就会死。你的目标是以尽可能快的路线走到城堡去。这可以使用一个「按步积分」系统来评估。

你在每一步都会失去 1 分(每一步失去的分数帮助智能体训练的更快)

如果碰到了一个敌人，你会失去 100 分，并且训练 episode 结束。

如果进入到城堡中，你就获胜了，获得 100 分。

那么问题来了：如何才能够创建这样的智能体呢?

下面我将介绍第一个策略。假设智能体试图走遍每一个方块，并且将其着色。绿色代表「安全」，红色代表「不安全」。

同样的地图，但是被着色了，用于显示哪些方块是可以被安全访问的。

接着，我们告诉智能体只能选择绿色的方块。

但问题是，这种策略并不是十分有用。当绿色的方块彼此相邻时，我们不知道选择哪个方块是最好的。所以，智能体可能会在寻找城堡的过程中陷入无限的循环。

Q-Table 简介

下面我将介绍第二种策略：创建一个表格。通过它，我们可以为每一个状态(state)上进行的每一个动作(action)计算出最大的未来奖励(reward)的期望。

得益于这个表格，我们可以知道为每一个状态采取的最佳动作。

每个状态(方块)允许四种可能的操作：左移、右移、上移、下移。

「0」代表不可能的移动(如果你在左上角，你不可能向左移动或者向上移动!)

在计算过程中，我们可以将这个网格转换成一个表。

这种表格被称为 Q-table(「Q」代表动作的「质量」)。每一列将代表四个操作(左、右、上、下)，行代表状态。每个单元格的值代表给定状态和相应动作的最大未来奖励期望。

每个 Q-table 的分数将代表在给定最佳策略的状态下采取相应动作获得的最大未来奖励期望。

为什么我们说「给定的策略」呢?这是因为我们并不实现这些策略。相反，我们只需要改进 Q-table 就可以一直选择最佳的动作。

将这个 Q-table 想象成一个「备忘纸条」游戏。得益于此，我们通过寻找每一行中最高的分数，可以知道对于每一个状态(Q-table 中的每一行)来说，可采取的最佳动作是什么。

太棒了!我解决了这个城堡问题!但是，请等一下... 我们如何计算 Q-table 中每个元素的值呢?

为了学习到 Q-table 中的每个值，我们将使用 Q-learning 算法。

Q-learning 算法：学习动作值函数(action value function)

动作值函数(或称「Q 函数」)有两个输入：「状态」和「动作」。它将返回在该状态下执行该动作的未来奖励期望。

我们可以把 Q 函数视为一个在 Q-table 上滚动的读取器，用于寻找与当前状态关联的行以及与动作关联的列。它会从相匹配的单元格中返回 Q 值。这就是未来奖励的期望。

在我们探索环境(environment)之前，Q-table 会给出相同的任意的设定值(大多数情况下是 0)。随着对环境的持续探索，这个 Q-table 会通过迭代地使用 Bellman 方程(动态规划方程)更新 Q(s,a) 来给出越来越好的近似。

Q-learning 算法流程

Q-learning 算法的伪代码

步骤 1：初始化 Q 值。我们构造了一个 m 列(m = 动作数 )，n 行(n = 状态数)的 Q-table，并将其中的值初始化为 0。

步骤 2：在整个生命周期中(或者直到训练被中止前)，步骤 3 到步骤 5 会一直被重复，直到达到了最大的训练次数(由用户指定)或者手动中止训练。

步骤 3：选取一个动作。在基于当前的 Q 值估计得出的状态 s 下选择一个动作 a。