(译) 强化学习 第一部分：Q-Learning 以及相关探索

(译) 强化学习 第一部分：Q-Learning 以及相关探索

---

Q-Learning review:

　　Q-Learning 的基础要点是：有一个关于环境状态S的表达式，这些状态中可能的动作 a，然后你学习这些状态下他们action的值。直观的讲，这个值，Q，是 状态-动作值(state-action value.) 所以，在Q-Leaning中，你设置初始 状态-动作值为0，然后你去附近溜溜并且探索 状态-动作空间。在你试了一个状态下的某一动作之后，你会评价将会转向哪一个状态。如果该动作将导致一个不想要的输出，你减小在那个状态下，那个动作的Q值，才能使得其他动作将会得到一个较大的值，这样在下一次你处于当前状态下时，才可能被选中，从而替换掉这次所执行的那个动作。同样的，如果你执行的那个动作得到了奖励，那么在那个状态下，该动作的权重将会被增加，所以当你在那个状态下时，你可能会再一次的选择该行动。重要的是，当你更新Q的时候，你也在更新之前的 状态-动作组合。只有你看到结果的时候，你才能更新Q。

　　让我们首先看一个 “猫抓耗子” (cat vs mouse) 的例子，当然了，你是老鼠。一只猫就在你的眼前，你选择直走，就会碰到猫，然后被吃掉，身为耗子，当前不希望自己就这样JJ了，所以，你必须减小在那个情况下，选择那个动作的权重，所以，当你再一次的出现在猫眼前时，你就会选择从一侧闪过或者往后倒退（除非你有重生技能，那就不用担心被吃的问题了）。注意到，当没有猫在你面前时，你并不会减小前进的权重，我们要前进搜索食物啊，所以，除非有猫站在你面前，否则都不会影响你前进的步伐。相反的情况下，当你面前有奶酪的时候，你选择了前进，那么你就会得到奖励。当下一次，有奶酪出现在你眼前，你就会很有可能选择“Move Forward”，因为你上次执行该操作得到了奖励。

　　假设我们又是老鼠了，我们当前的状态是:奶酪就在我们面前一步，但是我们还没有学习任何事情，(action box 中的空白代表 0)。所以我们随机的选择一个动作，并且假设我们恰巧选择了“Move Forward”。如下图所示：

　　那么，在这种情况下，我们就得到了奖励，所以我们就可以返回来更新对应“Cheese is one step ahead”以及动作“Move Forward”的Q值，然后增加那个状态下对应“Move Forward”的值。

　　然后假设现在奶酪被移动了，然后我们又要四处移动了，现在我们的状态是：“cheese is two steps ahead”，然后我们做出移动，达到的目的是：“cheese is one step ahead”。

　　

　　当我们要更新上一次 state-action combination 的Q值时，我们考虑状态“cheese is one step ahead”的所有Q值。我们看到他们这些值中有一个是非常高的(对应于动作“Move Forward”) 并且该值结合到上一次 state-action combination 的更新之中去。

　　特别地，我们更新利用公式：$Q(s, a) = \alpha * (reward(s, a) + max(Q(s')) - Q(s, a))$ 其中，s是之前的状态，a是之前的行动，$s'$ 是当前的状态，$\alpha$ 是衰减因子(此处设置为 0.5)。

　　直观上来看，为了执行状态s下的动作s而改变Q值  和  实际的奖励 $(reward(s, a) + max(Q(s'))$与期望的奖励 $Q(s, a)$乘以一个学习率 $\alpha$ 不同的。你可以将此想象成一种PD control(我想问，什么是PD control ？)，驱使你的系统朝向目标，也就是这种情况下的正确的Q值。

　　此处，我们评价向前移动的奖励，当奶酪在前方两步的时候，由于移动到那个状态(0)的奖励，加上从那个状态得来的最好的行动带来的奖励(moving into the cheese +50)，减去 那个状态下(0)期望的值，乘以我们的学习率(0.5) = +25.

　　Exploration：

　　最直观的运行Q-Learning，state-action values 被存贮在一个查找表当中。所以，我们有一个巨大的表格，大小为：$N*M$，其中N是不同可能状态的个数，M是不同可能动作的个数。所以，当做决定的时候，我们简单的浏览下表格，寻找那个状态的对应的动作值，选择最大的：

• 　　def choose_action(self, state)
• 　　　　q = [self.getQ(state, a) for a in self.actions]
• 　　　　maxQ = max(q)
• 　　　　action = self.actions[maxQ]
• 　　　　return action

　　还有一些额外的东西需要添加。

　　首先，我们需要处理存在多个动作具有相同值的情况。为了处理这种情况，我们随机的挑选一个值进行处理：

• 　　def choose_action(self, state):
• 　　　　q = [self.getQ(state, a) for a in self.actions]
• 　　　　maxQ = max(q)
• 　　　　count = q.count(maxQ)
• 　　　　if count > 1:
• 　　　　　　best = [i for i in range(len(self.actions)) if q[i] == maxQ]
• 　　　　　　i = random.choice(best)
• 　　　　else:
• 　　　　　　i = q.index(maxQ)
• 　　　　action = self.actions[i]
• 　　　　return action

　　这就可以让我们摆脱那种情况的影响，但是如果我们曾经恰巧碰到一个不错的选择，我们将总是选择这个，即使存在一个更好的选择。为了克服这种问题，我们将引入一个额外的项目，$\epsilon$。我们接着随机的产生一个值，如果那个值小于 $\epsilon$，然后就随机的选择一个动作，而不是跟随我们选择最大Q值的常规策略：

• 　　def choose_action(self, state):
• 　　　　if random.random() < self.epsilon: # exploration action = random.choice 
• 　　　　　　best = [i for i in range(len(self.actions)) if q[i] == maxQ]
• 　　　　　　i = random.choice(best)
• 　　　　else:
• 　　　　　　i = q.index(maxQ)

• 　　　　action = self.actions[i]
• 　　　　return action

　　a