【强化学习】python 实现 q-learning 例四(例二改写)
将例二改写成面向对象模式,并加了环境!
不过更新环境的过程中,用到了清屏命令,play()的时候,会有点问题。learn()的时候可以勉强看到:P
0.效果图
1.完整代码
相对于例一,修改的地方:
Agent 五处:states, actions, rewards, get_valid_actions(), get_next_state()
Env 两处:__init__(), update()
- import pandas as pd
- import random
- import time
- import pickle
- import pathlib
- import os
- '''
- 四格迷宫:
---------------
| 入口 | |
---------------
| 陷阱 | 出口 |
---------------- '''
- class Env(object):
- '''环境类'''
- def __init__(self):
- '''初始化'''
- self.env = list('--\n#-')
- def update(self, state, delay=0.1):
- '''更新环境,并打印'''
- env = self.env[:]
- if state > 1:
- state += 1
- env[state] = 'o' # 更新环境
- print('\r{}'.format(''.join(env)), end='')
- time.sleep(delay)
- os.system('cls')
- class Agent(object):
- '''个体类'''
- def __init__(self, alpha=0.01, gamma=0.9):
- '''初始化'''
- self.states = range(4) # 状态集。0, 1, 2, 3 四个状态
- self.actions = list('udlr') # 动作集。上下左右 4个动作
- self.rewards = [0,0,-10,10] # 奖励集。到达位置3(出口)奖励10,位置2(陷阱)奖励-10,其他皆为0
- self.alpha = alpha
- self.gamma = gamma
- self.q_table = pd.DataFrame(data=[[0 for _ in self.actions] for _ in self.states],
- index=self.states,
- columns=self.actions)
- def save_policy(self):
- '''保存Q table'''
- with open('q_table.pickle', 'wb') as f:
- # Pickle the 'data' dictionary using the highest protocol available.
- pickle.dump(self.q_table, f, pickle.HIGHEST_PROTOCOL)
- def load_policy(self):
- '''导入Q table'''
- with open('q_table.pickle', 'rb') as f:
- self.q_table = pickle.load(f)
- def choose_action(self, state, epsilon=0.8):
- '''选择相应的动作。根据当前状态,随机或贪婪,按照参数epsilon'''
- if (random.uniform(0,1) > epsilon) or ((self.q_table.ix[state] == 0).all()): # 探索
- action = random.choice(self.get_valid_actions(state))
- else:
- action = self.q_table.ix[state].idxmax() # 利用(贪婪)
- return action
- def get_q_values(self, state):
- '''取状态state的所有Q value'''
- q_values = self.q_table.ix[state, self.get_valid_actions(state)]
- return q_values
- def update_q_value(self, state, action, next_state_reward, next_state_q_values):
- '''更新Q value,根据贝尔曼方程'''
- self.q_table.ix[state, action] += self.alpha * (next_state_reward + self.gamma * next_state_q_values.max() - self.q_table.ix[state, action])
- def get_valid_actions(self, state):
- '''取当前状态下所有的合法动作'''
- valid_actions = set(self.actions)
- if state % 2 == 1: # 最后一列,则
- valid_actions -= set(['r']) # 无向右的动作
- if state % 2 == 0: # 最前一列,则
- valid_actions -= set(['l']) # 无向左
- if state // 2 == 1: # 最后一行,则
- valid_actions -= set(['d']) # 无向下
- if state // 2 == 0: # 最前一行,则
- valid_actions -= set(['u']) # 无向上
- return list(valid_actions)
- def get_next_state(self, state, action):
- '''对状态执行动作后,得到下一状态'''
- #u,d,l,r,n = -2,+2,-1,+1,0
- if state % 2 != 1 and action == 'r': # 除最后一列,皆可向右(+1)
- next_state = state + 1
- elif state % 2 != 0 and action == 'l': # 除最前一列,皆可向左(-1)
- next_state = state -1
- elif state // 2 != 1 and action == 'd': # 除最后一行,皆可向下(+2)
- next_state = state + 2
- elif state // 2 != 0 and action == 'u': # 除最前一行,皆可向上(-2)
- next_state = state - 2
- else:
- next_state = state
- return next_state
- def learn(self, env=None, episode=1000, epsilon=0.8):
- '''q-learning算法'''
- print('Agent is learning...')
- for _ in range(episode):
- current_state = self.states[0]
- if env is not None: # 若提供了环境,则更新之!
- env.update(current_state)
- while current_state != self.states[-1]:
- current_action = self.choose_action(current_state, epsilon) # 按一定概率,随机或贪婪地选择
- next_state = self.get_next_state(current_state, current_action)
- next_state_reward = self.rewards[next_state]
- next_state_q_values = self.get_q_values(next_state)
- self.update_q_value(current_state, current_action, next_state_reward, next_state_q_values)
- current_state = next_state
- if env is not None: # 若提供了环境,则更新之!
- env.update(current_state)
- print('\nok')
- def play(self, env=None, delay=0.5):
- '''玩游戏,使用策略'''
- assert env != None, 'Env must be not None!'
- if pathlib.Path("q_table.pickle").exists():
- self.load_policy()
- else:
- print("I need to learn before playing this game.")
- self.learn(env, 13)
- self.save_policy()
- print('Agent is playing...')
- current_state = self.states[0]
- env.update(current_state, delay)
- while current_state != self.states[-1]:
- current_action = self.choose_action(current_state, 1.) # 1., 不随机
- next_state = self.get_next_state(current_state, current_action)
- current_state = next_state
- env.update(current_state, delay)
- print('\nCongratulations, Agent got it!')
- if __name__ == '__main__':
- env = Env() # 环境
- agent = Agent() # 个体
- agent.learn(env, episode=25, epsilon=0.6) # 先学
- #agent.save_policy() # 保存所学
- #agent.load_policy() # 导入所学
- #agent.play(env) # 再玩
【强化学习】python 实现 q-learning 例四(例二改写)的更多相关文章
- 深度强化学习(DQN-Deep Q Network)之应用-Flappy Bird
深度强化学习(DQN-Deep Q Network)之应用-Flappy Bird 本文系作者原创,转载请注明出处:https://www.cnblogs.com/further-further-fu ...
- web前端学习python之第一章_基础语法(二)
web前端学习python之第一章_基础语法(二) 前言:最近新做了一个管理系统,前端已经基本完成, 但是后端人手不足没人给我写接口,自力更生丰衣足食, 所以决定自学python自己给自己写接口哈哈哈 ...
- 机器学习之强化学习概览(Machine Learning for Humans: Reinforcement Learning)
声明:本文翻译自Vishal Maini在Medium平台上发布的<Machine Learning for Humans>的教程的<Part 5: Reinforcement Le ...
- 深度强化学习(Deep Reinforcement Learning)入门:RL base & DQN-DDPG-A3C introduction
转自https://zhuanlan.zhihu.com/p/25239682 过去的一段时间在深度强化学习领域投入了不少精力,工作中也在应用DRL解决业务问题.子曰:温故而知新,在进一步深入研究和应 ...
- 【转】【强化学习】Deep Q Network(DQN)算法详解
原文地址:https://blog.csdn.net/qq_30615903/article/details/80744083 DQN(Deep Q-Learning)是将深度学习deeplearni ...
- Deep learning:四十二(Denoise Autoencoder简单理解)
前言: 当采用无监督的方法分层预训练深度网络的权值时,为了学习到较鲁棒的特征,可以在网络的可视层(即数据的输入层)引入随机噪声,这种方法称为Denoise Autoencoder(简称dAE),由Be ...
- 廖雪峰网站:学习python基础知识—循环(四)
一.循环 1.for names = ['Michal', 'Bob', 'tracy'] for name in names: print(name) sum = 0 for x in [1, 2, ...
- 廖雪峰网站:学习python基础知识—list和tuple(二)
1.list """ Python内置的一种数据类型是列表:list. list是一种有序的集合,可以随时添加和删除其中的元素. """ c ...
- [Reinforcement Learning] 强化学习介绍
随着AlphaGo和AlphaZero的出现,强化学习相关算法在这几年引起了学术界和工业界的重视.最近也翻了很多强化学习的资料,有时间了还是得自己动脑筋整理一下. 强化学习定义 先借用维基百科上对强化 ...
- Deep Learning专栏--强化学习之从 Policy Gradient 到 A3C(3)
在之前的强化学习文章里,我们讲到了经典的MDP模型来描述强化学习,其解法包括value iteration和policy iteration,这类经典解法基于已知的转移概率矩阵P,而在实际应用中,我们 ...
随机推荐
- tomcat 7.0 最大连接数和线程设置
部署项目时需要根据服务器配置调整连接数 <Connector port="8080" protocol="HTTP/1.1"URIEncoding=&qu ...
- [cb]扩展Hierarchy 添加二级菜单
目地 这篇博客教大家如何扩展Hierarchy 默认的Hierarchy 在Unity的Edior编辑器中,默认的Hierarchy如下 扩展的Hierarchy 扩展示例 MyInitOnLoad脚 ...
- django —— MVT模型
转载----
- 17秋 软件工程 第六次作业 Beta冲刺 Scrum5
17秋 软件工程 第六次作业 Beta冲刺 Scrum5 各个成员冲刺期间完成的任务 世强:完成APP端相册.部员管理.手势签到模块: 陈翔:完成Scrum博客.总结博客,完成超级管理员前后端对接: ...
- asp.net core中使用HttpClient实现Post和Get的同步异步方法
准备工作 1.visual studio 2015 update3开发环境 2.net core 1.0.1 及以上版本 目录 1.HttpGet方法 2.HttpPost方法 3.使用示例 4. ...
- 关于HashMap自定义key重写hashCode和equals的问题
使用HashMap,如果key是自定义的类,就必须重写hashcode()和equals() hashcode()和equals()都继承于object,在Object类中的定义为: equals( ...
- 如何取得select结果数据集的前10条记录。postgresql
我用的是POSTGRESQL.select name from t_personal order by personal_id desc 我想取得上面结果数据的,前10条记录.SQL语句怎么改. 我记 ...
- P1019 单词接龙
单词接龙是一个与我们经常玩的成语接龙相类似的游戏,现在我们已知一组单词,且给定一个开头的字母,要求出以这个字母开头的最长的“龙”(每个单词都最多在“龙”中出现两次),在两个单词相连时,其重合部分合为一 ...
- read_csv报错Initializing from file failed
Python版本:Python 3.6 pandas.read_csv() 报错 OSError: Initializing from file failed,一般由两种情况引起:一种是函数参数为路径 ...
- 转://tcpdump抓包实例
基本语法 ========过滤主机--------- 抓取所有经过 eth1,目的或源地址是 192.168.1.1 的网络数据# tcpdump -i eth1 host 192.168.1.1- ...