python - 如何实现 Q-learning 来逼近最优控制？

Question

我有兴趣实现 Q 学习(或某种形式的强化学习)以找到最佳协议(protocol)。目前，我有一个用 Python 编写的函数，我可以在其中接受协议(protocol)或“ Action ”和“状态”并返回一个新状态和一个“奖励”。但是，我很难找到我可以在这种情况下使用的 Q-learning 的 Python 实现(即可以像黑盒子一样学习函数的东西)。我看过 OpenAI gym，但这需要编写一个新环境。有人知道我可以为此采用的更简单的包或脚本吗？

我的代码是这样的形式:

def myModel (state, action, param1, param2):
    ...
    return (state, reward)

我正在寻找的是以下形式的算法:

def QLearning (state, reward):
    ...
    return (action)

还有一些方法来保持在状态之间转换的 Action 。如果有人知道在哪里可以找到它，我会非常兴奋!

Answer 1

此处提供的许多评论要求您对强化学习有深入的了解。看来你刚开始接触强化学习，所以我建议从最基本的 Q 学习算法开始。

学习 RL 的最佳方法是自己编写基本算法代码。该算法有两部分(模型、代理)，它看起来像这样:

model(state, action):
    ...
    return s2, reward, done

其中 s2 是模型在执行 Action a 后进入的新状态。奖励基于在该状态下执行该操作。完成只是代表剧集是否结束。看起来你已经有了这部分。

下一部分是代理，如下所示:

states = [s1, s2, s3, ...]
actions = [a1, a2, a3, ...]
Q_matrix = np.zeros([state_size, action_size])
discount = 0.95
learning_rate = 0.1
action_list = []

def q_learning_action(s, Q_matrix):

    action = index_of_max(Q_matrix[s, :])
    action_list.append(action)      # Record your action as requested

    return action

def q_learning_updating(s, a, reward, s2, Q_matrix):

    Q_matrix[s, a] = (1 - learning_rate)Q_matrix[s, a] + learning_rate*(reward + gamma*maxQ_matrix[s2, a])
    s = s2

    return s, Q_matrix

有了这个，您可以构建一个 RL 智能体来学习许多基本知识以实现最佳控制。

基本上，Q_learning_actions 为您提供了对环境执行所需的操作。然后使用该 Action ，计算模型的下一个状态和奖励。然后使用所有信息，用新知识更新您的 Q 矩阵。

如果有任何不合理之处请告诉我!