强化学习从基础到进阶-案例与实践[3]：表格型方法：Sarsa、Qlearning；蒙特卡洛策略、时序差分等以及Qlearning项目实战

策略最简单的表示是查找表（look-up table），即表格型策略（tabular policy）。使用查找表的强化学习方法称为表格型方法（tabular method），如蒙特卡洛、Q学习和Sarsa。本章通过最简单的表格型方法来讲解如何使用基于价值的方法求解强化学习问题。

1 马尔可夫决策过程

强化学习是一个与时间相关的序列决策的问题。 例如，如图 3.1 所示，在 $t-1t-1$ 时刻，我看到熊对我招手，下意识的动作就是逃跑。熊看到有人逃跑，就可能觉得发现了猎物，并开始发动攻击。而在 $tt$ 时刻，我如果选择装死的动作，可能熊咬咬我、摔几下就觉得挺无趣的，可能会走开。这个时候我再逃跑，可能就成功了，这就是一个序列决策过程。

在输出每一个动作之前，我们可以选择不同的动作。比如在 $tt$ 时刻，我选择逃跑的时候，可能熊已经追上来了。如果在 $tt$ 时刻，我没有选择装死，而是选择逃跑，这个时候熊已经追上来了，那么我就会转移到不同的状态。有一定的概率我会逃跑成功，也有一定的概率我会逃跑失败。我们用状态转移概率 $p[s_{t+1},r_t\mid s_t,a_t]p\backslash left[s\_\{t+1\},\; r\_\{t\}\; \backslash mid\; s\_\{t\},\; a\_\{t\}\backslash right]$ 来表示在状态 $s_{t}s\_t$ 选择动作 $a_{t}a\_t$ 的时候，转移到转态 $s_{t+1}s\_\{t+1\}$ ，而且得到奖励 $r_{t}r\_t$ 的概率是多少。状态转移概率是具有马尔可夫性质的（系统下一时刻的状态仅由当前时刻的状态决定，不依赖于以往任何状态）。因为在这个过程中，下一时刻的状态取决于当前的状态 $s_{t}s\_t$，它和之前的 $s_{t-1}s\_\{t-1\}$ 和 $s_{t-2}s\_\{t-2\}$ 没有关系。再加上这个过程也取决于智能体与环境交互的 $a_{t}a\_t$ ，所以包含了决策的过程，我们称这样的过程为马尔可夫决策过程。 马尔可夫决策过程就是序列决策的经典的表现方式。马尔可夫决策过程也是强化学习里面一个非常基本的学习框架。状态、动作、状态转移概率和奖励 $(S(S$、$AA$、$PP$、$R)R)$，这4个合集就构成了强化学习马尔可夫决策过程的四元组，后面也可能会再加上折扣因子构成五元组。

1.1 有模型

如图 3.2 所示，我们把这些可能的动作和可能的状态转移的关系画成树状。它们之间的关系就是从 $s_{t}s\_t$ 到 $a_{t}a\_t$ ，再到 $s_{t+1}s\_\{t+1\}$ ，再到 $a_{t+1}a\_\{t+1\}$，再到 $s_{t+2}s\_\{t+2\}$ 的过程。 我们与环境交互时，只能走一条完整的通路，这里面产生了一系列决策的过程，我们与环境交互产生了经验。我们会使用概率函数（probability function）$P[s_{t+1},r_t\mid s_t,a_t]P\backslash left[s\_\{t+1\},\; r\_\{t\}\; \backslash mid\; s\_\{t\},\; a\_\{t\}\backslash right]$和奖励函数 $R[s_t,a_t]R\backslash left[s\_\{t\},\; a\_\{t\}\backslash right]$来描述环境。概率函数就是状态转移的概率，它反映的是环境的随机性。

如果我们知道概率函数和奖励函数，马尔可夫决策过程就是已知的，我们可以通过策略迭代和价值迭代来找最佳的策略。 比如，在熊发怒的情况下，我如果选择装死，假设熊看到人装死就一定会走开，我们就称这里面的状态转移概率是 1。但如果在熊发怒的情况下，我选择逃跑而导致可能成功以及失败两种情况，转移到跑成功情况的概率大概 0.1，跑失败的概率大概是 0.9。

如果我们知道环境的状态转移概率和奖励函数，就可以认为这个环境是已知的，因为我们用这两个函数来描述环境。如果环境是已知的，我们其实可以用动态规划算法去计算，如果要逃脱，那么能够逃脱的概率最大的最佳策略是什么。

1.2 免模型

很多强化学习的经典算法都是免模型的，也就是环境是未知的。 因为现实世界中人类第一次遇到熊时，我们根本不知道能不能逃脱，所以 0.1、0.9 的概率都是虚构出来的概率。熊到底在什么时候往什么方向转变，我们通常是不知道的。 我们处在未知的环境里，也就是这一系列的决策的概率函数和奖励函数是未知的，这就是有模型与免模型的最大的区别。

如图 3.3 所示，强化学习可以应用于完全未知的和随机的环境。强化学习像人类一样学习，人类通过尝试不同的路来学习，通过尝试不同的路，人类可以慢慢地了解哪个状态会更好。强化学习用价值函数 $V(S)V(S)$ 来表示状态是好的还是坏的，用 Q 函数来判断在什么状态下采取什么动作能够取得最大奖励，即用 Q 函数来表示状态-动作值。

1.3 有模型与免模型的区别

如图 3.4 所示，策略迭代和价值迭代都需要得到环境的转移和奖励函数，所以在这个过程中，智能体没有与环境进行交互。在很多实际的问题中，马尔可夫决策过程的模型有可能是未知的，也有可能因模型太大不能进行迭代的计算，比如雅达利游戏、围棋、控制直升飞机、股票交易等问题，这些问题的状态转移非常复杂。

如图 3.5 所示，当马尔可夫决策过程的模型未知或者模型很大时，我们可以使用免模型强化学习的方法。免模型强化学习方法没有获取环境的状态转移和奖励函数，而是让智能体与环境进行交互，采集大量的轨迹数据，智能体从轨迹中获取信息来改进策略，从而获得更多的奖励。

2.Q 表格

在多次尝试和熊打交道之后，我们就可以对熊的不同的状态做出判断，用状态动作价值来表达在某个状态下某个动作的好坏。 如图 3.6 所示，如果 Q 表格是一张已经训练好的表格，这张表格就像是一本生活手册。通过查看这本手册，我们就知道在熊发怒的时候，装死的价值会高一点；在熊离开的时候，我们偷偷逃跑会比较容易获救。 这张表格里面 Q 函数的意义就是我们选择了某个动作后，最后能不能成功，就需要我们去计算在某个状态下选择某个动作，后续能够获得多少总奖励。如果可以预估未来的总奖励的大小，我们就知道在当前的状态下选择哪个动作价值更高。我们选择某个动作是因为这样未来可以获得的价值会更高。所以强化学习的目标导向性很强，环境给出的奖励是非常重要的反馈，它根据环境的奖励来做选择。

Q: 为什么我们可以用未来的总奖励来评价当前动作是好是坏?

A: 例如，如图 3.7 所示，假设一辆车在路上，当前是红灯，我们直接闯红灯的奖励就很低，因为这违反了交通规则，我们得到的奖励是当前的单步奖励。可是如果我们的车是一辆救护车，我们正在运送病人，把病人快速送达医院的奖励非常高，而且越快奖励越高。在这种情况下，我们可能要闯红灯，因为未来的远期奖励太高了。这是因为在现实世界中奖励往往是延迟的，所以强化学习需要学习远期的奖励。我们一般会从当前状态开始，把后续有可能会收到的所有奖励加起来计算当前动作的 Q 值，让 Q 值可以真正代表当前状态下动作的真正价值。

但有的时候我们把目光放得太长远并不好。如果任务很快就结束，那么考虑到最后一步的奖励无可厚非。但如果任务是一个持续的没有尽头的任务，即持续式任务（continuing task），我们把未来的奖励全部相加作为当前的状态价值就很不合理。 股票就是一个典型的例子，如图 3.8 所示，我们关注的是累积的股票奖励，可是如果10年之后股票才有一次大涨大跌，我们肯定不会把10年后的奖励也作为当前动作的考虑因素。这个时候，我们就可以引入折扣因子 $\gamma \backslash gamma$ 来计算未来总奖励，$\gamma \in [0,1]\backslash gamma\; \backslash in\; [0,1]$，越往后 ${\gamma }^n\backslash gamma^n$ 就会越小，越后面的奖励对当前价值的影响就会越小。

悬崖行走问题是强化学习的一个经典问题，如图 3.9 所示， 该问题需要智能体从出发点 S 出发，到达目的地 G，同时避免掉进悬崖（cliff），每走一步就有 -1分 的惩罚，掉进悬崖会有 -100 分的惩罚，但游戏不会结束，智能体会回到出发点，游戏继续，直到到达目的地结束游戏。智能体需要尽快地到达目的地。 为了到达目的地，智能体可以沿着例如蓝线和红线的路线行走。

在悬崖行走问题的环境中，我们怎么计算状态动作价值（未来的总奖励）呢？我们可以选择一条路线，计算出这条路线上每个状态动作的价值。在悬崖行走问题里面，智能体每走一步都会拿到 -1 分的奖励，只有到达目的地之后，智能体才会停止。

• 如果 $\gamma =0\backslash gamma\; =\; 0$，如图 3.10a 所示，我们考虑的就是单步的奖励，我们可以认为它是目光短浅的计算的方法。
• 如果 $\gamma =1\backslash gamma\; =\; 1$，如图 3.10b 所示，就等于把后续所有的奖励全部加起来，我们可以认为它是目光过于长远的方法。如果智能体走的不是红色的路线，而是蓝色的路线，算出来的 Q 值可能如图中所示。因此，我们就可以知道，当小乌龟在 -12 的时候，往右走是 -11，往上走是 -15，它知道往右走的价值更大，它就会往右走。
• 如果 $\gamma =0.6\backslash gamma\; =\; 0.6$，如图 3.10c 所示， 我们的目光没有放得太长远，计算结果如式(3.1)所示。我们可以利用公式 $G_t=r_{t+1}+\gamma G_{t+1}G\_\{t\}=r\_\{t+1\}+\backslash gamma\; G\_\{t+1\}$ 从后往前推。

类似于图 3.11，最后我们要求解的就是一张 Q 表格，它的行数是所有状态的数量，一般可以用坐标来表示格子的状态，也可以用 1、2、3、4、5、6、7 来表示不同的位置。Q 表格的列表示上、下、左、右4个动作。 最开始的时候，Q 表格会全部初始化为0。智能体会不断和环境交互得到不同的轨迹，当交互的次数足够多的时候，我们就可以估算出每一个状态下，每个动作的平均总奖励，进而更新 Q 表格。Q表格的更新就是接下来要引入的强化概念。

强化是指我们可以用下一个状态的价值来更新当前状态的价值，其实就是强化学习里面自举的概念。在强化学习里面，我们可以每走一步更新一次 Q 表格，用下一个状态的 Q 值来更新当前状态的 Q 值，这种单步更新的方法被称为时序差分方法。

3. 免模型预测

在无法获取马尔可夫决策过程的模型情况下，我们可以通过蒙特卡洛方法和时序差分方法来估计某个给定策略的价值。

3.1 蒙特卡洛策略评估

蒙特卡洛方法是基于采样的方法，给定策略 $\pi \backslash pi$，我们让智能体与环境进行交互，可以得到很多轨迹。每个轨迹都有对应的回报：

我们求出所有轨迹的回报的平均值，就可以知道某一个策略对应状态的价值，即

蒙特卡洛仿真是指我们可以采样大量的轨迹，计算所有轨迹的真实回报，然后计算平均值。 蒙特卡洛方法使用经验平均回报（empirical mean return）的方法来估计，它不需要马尔可夫决策过程的状态转移函数和奖励函数，并且不需要像动态规划那样用自举的方法。此外，蒙特卡洛方法有一定的局限性，它只能用在有终止的马尔可夫决策过程中。

接下来，我们对蒙特卡洛方法进行总结。为了得到评估 $V(s)V(s)$，我们采取了如下的步骤。

（1）在每个回合中，如果在时间步 $tt$ 状态 $ss$ 被访问了，那么

• 状态 $ss$ 的访问数 $N(s)N(s)$ 增加 1，$N(s)\leftarrow N(s)+1N(s)\backslash leftarrow\; N(s)+1$。
• 状态 $ss$ 的总的回报 $S(s)S(s)$ 增加 $G_{t}G\_t$，$S(s)\leftarrow S(s)+G_{t}S(s)\backslash leftarrow\; S(s)+G\_t$。

（2）状态 $ss$ 的价值可以通过回报的平均来估计，即 $V(s)=S(s)\mathrm{/}N(s)V(s)=S(s)/N(s)$。

根据大数定律，只要我们得到足够多的轨迹，就可以趋近这个策略对应的价值函数。当 $N(s)\to \mathrm{\infty }N(s)\backslash rightarrow\; \backslash infty$ 时，$V(s)\to V_{\pi }(s)V(s)\; \backslash rightarrow\; V\_\{\backslash pi\}(s)$。

假设现在有样本 $x_1,x_2,\cdots ,x_{t}x\_1,x\_2,\backslash cdots,\; x\_t$，我们可以把经验均值（empirical mean）转换成增量均值（incremental mean）的形式：

通过这种转换，我们就可以把上一时刻的平均值与现在时刻的平均值建立联系，即

其中，$x_t-{\mu }_{t-1}x\_t-\; \backslash mu\_\{t-1\}$ 是残差，$\frac{1}{t}\backslash frac\{1\}\{t\}$ 类似于学习率（learning rate）。 当我们得到 $x_{t}x\_t$时，就可以用上一时刻的值来更新现在的值。

我们可以把蒙特卡洛方法更新的方法写成增量式蒙特卡洛（incremental MC）方法。我们采集数据，得到一个新的轨迹 $(s_1,a_1,r_1,\dots ,s_t)(s\_1,a\_1,r\_1,\backslash dots,s\_t)$。对于这个轨迹，我们采用增量的方法进行更新：

我们可以直接把 $\frac{1}{N(s_t)}\backslash frac\{1\}\{N(s\_t)\}$ 变成 $\alpha \backslash alpha$（学习率），即

其中，$\alpha \backslash alpha$ 代表更新的速率，我们可以对其进行设置。

我们再来看一下动态规划方法和蒙特卡洛方法的差异。 动态规划也是常用的估计价值函数的方法。在动态规划方法里面，我们使用了自举的思想。自举就是我们基于之前估计的量来估计一个量。 此外，动态规划方法使用贝尔曼期望备份（Bellman expectation backup），通过上一时刻的值 $V_{i-1}(s^{\mathrm{\prime }})V\_\{i-1\}(s\text{'})$ 来更新当前时刻的值 $V_i(s)V\_i(s)$ ，即

将其不停迭代，最后可以收敛。如图 3.12 所示，贝尔曼期望备份有两层加和，即内部加和和外部加和，计算两次期望，得到一个更新。

蒙特卡洛方法通过一个回合的经验平均回报（实际得到的奖励）来进行更新，即

如图 3.13 所示，我们使用蒙特卡洛方法得到的轨迹对应树上蓝色的轨迹，轨迹上的状态已经是决定的，采取的动作也是已经决定的。我们现在只更新这条轨迹上的所有状态，与这条轨迹没有关系的状态都不进行更新。

蒙特卡洛方法相比动态规划方法是有一些优势的。首先，蒙特卡洛方法适用于环境未知的情况，而动态规划是有模型的方法。 蒙特卡洛方法只需要更新一条轨迹的状态，而动态规划方法需要更新所有的状态。状态数量很多的时候（比如100万个、200万个），我们使用动态规划方法进行迭代，速度是非常慢的。这也是基于采样的蒙特卡洛方法相对于动态规划方法的优势。

3.2 时序差分

为了让读者更好地理解时序差分这种更新方法，我们给出它的“物理意义”。我们先了解一下巴甫洛夫的条件反射实验，如图 3.14 所示，这个实验讲的是小狗会对盆里面的食物无条件产生刺激，分泌唾液。一开始小狗对于铃声这种中性刺激是没有反应的，可是我们把铃声和食物结合起来，每次先给它响一下铃，再给它喂食物，多次重复之后，当铃声响起的时候，小狗也会开始流口水。盆里的肉可以认为是强化学习里面那个延迟的奖励，声音的刺激可以认为是有奖励的那个状态之前的状态。多次重复实验之后，最后的奖励会强化小狗对于声音的条件反射，它会让小狗知道这个声音代表着有食物，这个声音对于小狗也就有了价值，它听到这个声音就会流口水。

如图 3.15 所示，巴甫洛夫效应揭示的是，当中性刺激（铃声）与无条件刺激（食物）相邻反复出现的时候，中件刺激也可以引起无条件刺激引起的唾液分泌，然后形成条件刺激。 我们称这种中性刺激与无条件刺激在时间上面的结合为强化，强化的次数越多，条件反射就会越巩固。小狗本来不觉得铃声有价值的，经过强化之后，小狗就会慢慢地意识到铃声也是有价值的，它可能带来食物。更重要的是当一种条件反射巩固之后，我们再用另外一种新的刺激和条件反射相结合，还可以形成第二级条件反射，同样地还可以形成第三级条件反射。

在人的身上也可以建立多级的条件反射，例如，比如我们遇到熊可能是这样一个顺序：看到树上有熊爪，然后看到熊，突然熊发怒并扑过来了。经历这个过程之后，我们可能最开始看到熊才会害怕，后面可能看到树上有熊爪就已经有害怕的感觉了。在不断的重复实验后，下一个状态的价值可以不断地强化影响上一个状态的价值。

为了让读者更加直观地感受下一个状态会如何影响上一个状态（状态价值迭代），我们推荐时序差分学习网格世界演示。 如图 3.16 所示，我们先初始化，然后开始时序差分方法的更新过程。 在训练的过程中，小黄球在不断地试错，在探索中会先迅速地发现有奖励的格子。最开始的时候，有奖励的格子才有价值。当小黄球不断地重复走这些路线的时候，有价值的格子可以慢慢地影响它附近的格子的价值。 反复训练之后，有奖励的格子周围的格子的状态就会慢慢被强化。强化就是价值最终收敛到最优的情况之后，小黄球就会自动往价值高的格子走，就可以走到能够拿到奖励的格子。

下面我们开始正式介绍时序差分方法。 时序差分是介于蒙特卡洛和动态规划之间的方法，它是免模型的，不需要马尔可夫决策过程的转移矩阵和奖励函数。 此外，时序差分方法可以从不完整的回合中学习，并且结合了自举的思想。

接下来，我们对时序差分方法进行总结。时序差分方法的目的是对于某个给定的策略 $\pi \backslash pi$，在线（online）地算出它的价值函数 $V_{\pi }V\_\{\backslash pi\}$，即一步一步地（step-by-step）算。 最简单的算法是一步时序差分（one-step TD），即 TD(0)。每往前走一步，就做一步自举，用得到的估计回报（estimated return）$r_{t+1}+\gamma V(s_{t+1})r\_\{t+1\}+\backslash gamma\; V(s\_\{t+1\})$ 来更新上一时刻的值 $V(s_t)V(s\_t)$：

估计回报 $r_{t+1}+\gamma V(s_{t+1})r\_\{t+1\}+\backslash gamma\; V(s\_\{t+1\})$ 被称为时序差分目标（TD target）， 时序差分目标是带衰减的未来奖励的总和。时序差分目标由两部分组成：

（1）我们走了某一步后得到的实际奖励$r_{t+1}r\_\{t+1\}$；

（2）我们利用了自举的方法，通过之前的估计来估计 $V(s_{t+1})V(s\_\{t+1\})$ ，并且加了折扣因子，即 $\gamma V(s_{t+1})\backslash gamma\; V(s\_\{t+1\})$。

时序差分目标是估计有两个原因：

（1）时序差分方法对期望值进行采样；

（2）时序差分方法使用当前估计的 $VV$ 而不是真实的 $V_{\pi }V\_\{\backslash pi\}$。

时序差分误差（TD error） $\delta =r_{t+1}+\gamma V(s_{t+1})-V(s_t)\backslash delta=r\_\{t+1\}+\backslash gamma\; V(s\_\{t+1\})-V(s\_t)$。 类比增量式蒙特卡洛方法，给定一个回合 $ii$，我们可以更新 $V(s_t)V(s\_t)$ 来逼近真实的回报 $G_{t}G\_t$，具体更新公式为

式(3.1)体现了强化的概念。

我们对比一下蒙特卡洛方法和时序差分方法。在蒙特卡洛方法里面，$G_{i,t}G\_\{i,t\}$ 是实际得到的值（可以看成目标），因为它已经把一条轨迹跑完了，可以算出每个状态实际的回报。时序差分不等轨迹结束，往前走一步，就可以更新价值函数。 如图 3.17 所示，时序差分方法只执行一步，状态的值就更新。蒙特卡洛方法全部执行完之后，到了终止状态之后，再更新它的值。

接下来，进一步比较时序差分方法和蒙特卡洛方法。

（1）时序差分方法可以在线学习（online learning），每走一步就可以更新，效率高。蒙特卡洛方法必须等游戏结束时才可以学习。

（2）时序差分方法可以从不完整序列上进行学习。蒙特卡洛方法只能从完整的序列上进行学习。

（3）时序差分方法可以在连续的环境下（没有终止）进行学习。蒙特卡洛方法只能在有终止的情况下学习。

（4）时序差分方法利用了马尔可夫性质，在马尔可夫环境下有更高的学习效率。蒙特卡洛方法没有假设环境具有马尔可夫性质，利用采样的价值来估计某个状态的价值，在不是马尔可夫的环境下更加有效。

例如来解释 时序差分方法和蒙特卡洛方法的区别。 时序差分方法是指在不清楚马尔可夫状态转移概率的情况下，以采样的方式得到不完整的状态序列，估计某状态在该状态序列完整后可能得到的奖励，并通过不断地采样持续更新价值。蒙特卡洛则需要经历完整的状态序列后，再来更新状态的真实价值。 例如，我们想获得开车去公司的时间，每天上班开车的经历就是一次采样。假设我们今天在路口 A 遇到了堵车， 时序差分方法会在路口 A 就开始更新预计到达路口 B、路口 C $\cdots \cdots \backslash cdots\; \backslash cdots$，以及到达公司的时间； 而蒙特卡洛方法并不会立即更新时间，而是在到达公司后，再更新到达每个路口和公司的时间。 时序差分方法能够在知道结果之前就开始学习，相比蒙特卡洛方法，其更快速、灵活。

如图 3.18 所示，我们可以把时序差分方法进行进一步的推广。之前是只往前走一步，即TD(0)。 我们可以调整步数（step），变成 $nn$步时序差分（$nn$-step TD）。比如 TD(2)，即往前走两步，利用两步得到的回报，使用自举来更新状态的价值。

$\backslash qquad\backslash qquad\backslash qquad\backslash qquad\backslash qquad\backslash qquad\backslash qquad$ 图 3.18 $nn$步时序差分

这样我们就可以通过步数来调整算法需要的实际奖励和自举。

如式(3.2)所示，通过调整步数，可以进行蒙特卡洛方法和时序差分方法之间的权衡。如果 $n=\mathrm{\infty }n=\backslash infty$， 即整个游戏结束后，再进行更新，时序差分方法就变成了蒙特卡洛方法。

$nn$步时序差分可写为

得到时序差分目标之后，我们用增量式学习（incremental learning）的方法来更新状态的价值：

3.3 动态规划方法、蒙特卡洛方法以及时序差分方法的自举和采样

自举是指更新时使用了估计。蒙特卡洛方法没有使用自举，因为它根据实际的回报进行更新。 动态规划方法和时序差分方法使用了自举。

采样是指更新时通过采样得到一个期望。 蒙特卡洛方法是纯采样的方法。 动态规划方法没有使用采样，它是直接用贝尔曼期望方程来更新状态价值的。 时序差分方法使用了采样。时序差分目标由两部分组成，一部分是采样，一部分是自举。

如图 3.19 所示，动态规划方法直接计算期望，它把所有相关的状态都进行加和，即

如图 3.20 所示，蒙特卡洛方法在当前状态下，采取一条支路，在这条路径上进行更新，更新这条路径上的所有状态，即

如图 3.20 所示，时序差分从当前状态开始，往前走了一步，关注的是非常局部的步骤，即

如图 3.22 所示，如果 时序差分方法需要更广度的更新，就变成了 动态规划方法（因为动态规划方法是把所有状态都考虑进去来进行更新）。如果时序差分方法需要更深度的更新，就变成了蒙特卡洛方法。图 3.22 右下角是穷举搜索的方法（exhaustive search），穷举搜索的方法不仅需要很深度的信息，还需要很广度的信息。

4 免模型控制

在我们不知道马尔可夫决策过程模型的情况下，如何优化价值函数，得到最佳的策略呢？我们可以把策略迭代进行广义的推广，使它能够兼容蒙特卡洛和时序差分的方法，即带有蒙特卡洛方法和时序差分方法的广义策略迭代（generalized policy iteration，GPI）。

如图 3.23 所示，策略迭代由两个步骤组成。第一，我们根据给定的当前策略 $\pi \backslash pi$ 来估计价值函数；第二，得到估计的价值函数后，我们通过贪心的方法来改进策略，即

这两个步骤是一个互相迭代的过程。

我们可以计算出策略 $\pi \backslash pi$ 的动作价值函数，并且可以根据式（3.3）来计算针对状态 $s\in Ss\; \backslash in\; S$ 的新策略 ${\pi }_{i+1}\backslash pi\_\{i+1\}$。但得到状态价值函数后，我们并不知道奖励函数 $R(s,a)R(s,a)$ 和状态转移 $P(s^{\mathrm{\prime }}\mathrm{\mid }s,a)P(s\text{'}|s,a)$，所以就无法估计 Q 函数

这里有一个问题：当我们不知道奖励函数和状态转移时，如何进行策略的优化？

如图 3.24 所示，针对上述情况，我们引入了广义的策略迭代的方法。 我们对策略评估部分进行修改，使用蒙特卡洛的方法代替动态规划的方法估计 Q 函数。我们首先进行策略评估，使用蒙特卡洛方法来估计策略 $Q=Q_{\pi }Q=Q\_\{\backslash pi\}$，然后进行策略更新，即得到 Q 函数后，我们就可以通过贪心的方法去改进它：

图 3.25 所示为蒙特卡洛方法估计 Q 函数的算法。 一个保证策略迭代收敛的假设是回合有探索性开始（exploring start）。 假设每一个回合都有一个探索性开始，探索性开始保证所有的状态和动作都在无限步的执行后能被采样到，这样才能很好地进行估计。 算法通过蒙特卡洛方法产生很多轨迹，每条轨迹都可以算出它的价值。然后，我们可以通过平均的方法去估计 Q 函数。Q 函数可以看成一个Q表格，我们通过采样的方法把表格的每个单元的值都填上，然后使用策略改进来选取更好的策略。 如何用蒙特卡洛方法来填 Q 表格是这个算法的核心。

为了确保蒙特卡洛方法能够有足够的探索，我们使用了 $\epsilon \backslash varepsilon$-贪心（$\epsilon \text{-greedy}\backslash varepsilon\backslash text\{-greedy\}$）探索。 $\epsilon \backslash varepsilon$-贪心是指我们有 $1-\epsilon 1-\backslash varepsilon$ 的概率会按照 Q函数来决定动作，通常 $\epsilon \backslash varepsilon$ 就设一个很小的值， $1-\epsilon 1-\backslash varepsilon$ 可能是 0.9，也就是 0.9 的概率会按照Q函数来决定动作，但是我们有 0.1 的概率是随机的。通常在实现上，$\epsilon \backslash varepsilon$ 的值会随着时间递减。在最开始的时候，因为我们还不知道哪个动作是比较好的，所以会花比较多的时间探索。接下来随着训练的次数越来越多，我们已经比较确定哪一个动作是比较好的，就会减少探索，把 $\epsilon \backslash varepsilon$ 的值变小。主要根据 Q函数来决定动作，比较少随机决定动作，这就是 $\epsilon \backslash varepsilon$-贪心。

当我们使用蒙特卡洛方法和 $\epsilon \backslash varepsilon$-贪心探索的时候，可以确保价值函数是单调的、改进的。对于任何 $\epsilon \backslash varepsilon$-贪心策略 $\pi \backslash pi$，关于 $Q_{\pi }Q\_\{\backslash pi\}$ 的 $\epsilon \backslash varepsilon$-贪心策略 ${\pi }^{\mathrm{\prime }}\backslash pi^\{\backslash prime\}$ 都是一个改进，即 $V_{\pi }(s)⩽V_{{\pi }^{\mathrm{\prime }}}(s)V\_\{\backslash pi\}(s)\; \backslash leqslant\; V\_\{\backslash pi^\{\backslash prime\}\}(s)$，证明过程如下：

基于 $\epsilon \backslash varepsilon$-贪心探索的蒙特卡洛方法如图 3.26 所示。

$\backslash qquad\backslash qquad\backslash qquad\backslash qquad\backslash qquad\backslash qquad$ 图 3.26 基于 $\epsilon \backslash varepsilon$-贪心探索的蒙特卡洛方法

与蒙特卡洛方法相比，时序差分方法有如下几个优势：低方差，能够在线学习，能够从不完整的序列中学习。 所以我们可以把时序差分方法也放到控制循环（control loop）里面去估计Q表格，再采取 $\epsilon \backslash varepsilon$-贪心探索改进。这样就可以在回合没结束的时候更新已经采集到的状态价值。

偏差（bias）：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越高，越偏离真实数据，如图 3.27 第2行所示。 方差（variance）：描述的是预测值的变化范围、离散程度，也就是离其期望值的距离。方差越高，数据的分布越分散，如图 3.27 右列所示。

4.1 Sarsa：同策略时序差分控制

时序差分方法是给定一个策略，然后我们去估计它的价值函数。接着我们要考虑怎么使用时序差分方法的框架来估计Q函数，也就是 Sarsa 算法。

Sarsa 所做出的改变很简单，它将原本时序差分方法更新 $VV$ 的过程，变成了更新 $QQ$，即

式(3.4)是指我们可以用下一步的 Q 值 $Q(s_{t{+}_1},a_{t+1})Q(s\_\{t+\_1\},a\_\{t+1\})$ 来更新这一步的 Q 值 $Q(s_t,a_t)Q(s\_t,a\_t)$ 。 Sarsa 直接估计 Q 表格，得到 Q 表格后，就可以更新策略。

为了理解式(3.4)， 如图 3.28 所示，我们先把 $r_{t+1}+\gamma Q(s_{t+1},a_{t+1})r\_\{t+1\}+\backslash gamma\; Q\backslash left(s\_\{t+1\},\; a\_\{t+1\}\backslash right.)$ 当作目标值，即 $Q(s_t,a_t)Q(s\_t,a\_t)$ 想要逼近的目标值。$r_{t+1}+\gamma Q(s_{t+1},a_{t+1})r\_\{t+1\}+\backslash gamma\; Q\backslash left(s\_\{t+1\},\; a\_\{t+1\}\backslash right.)$ 就是时序差分目标。

我们想要计算的就是 $Q(s_t,a_t)Q(s\_t,a\_t)$ 。因为最开始 Q 值都是随机初始化或者是初始化为0，所以它需要不断地去逼近它理想中真实的 Q 值（时序差分目标），$r_{t+1}+\gamma Q(s_{t+1},a_{t+1})-Q(s_t,a_t)r\_\{t+1\}+\backslash gamma\; Q\backslash left(s\_\{t+1\},\; a\_\{t+1\}\backslash right)-Q\backslash left(s\_\{t\},\; a\_\{t\}\backslash right)$ 就是时序差分误差。 我们用 $Q(s_t,a_t)Q(s\_t,a\_t)$ 来逼近 $G_{t}G\_t$，那么 $Q(s_{t+1},a_{t+1})Q(s\_\{t+1\},a\_\{t+1\})$ 其实就是近似 $G_{t+1}G\_\{t+1\}$。我们就可以用 $Q(s_{t+1},a_{t+1})Q(s\_\{t+1\},a\_\{t+1\})$ 近似 $G_{t+1}G\_\{t+1\}$，把 $r_{t+1}+\gamma Q(s_{t+1},a_{t+1})r\_\{t+1\}+\backslash gamma\; Q(s\_\{t+1\},a\_\{t+1\})$ 当成目标值。 $Q(s_t,a_t)Q(s\_t,a\_t)$ 要逼近目标值，我们用软更新的方式来逼近。软更新的方式就是每次我们只更新一点点，$\alpha \backslash alpha$ 类似于学习率。最终Q 值是可以慢慢地逼近真实的目标值的。这样更新公式只需要用到当前时刻的 $s_{t}s\_\{t\}$、$a_{t}a\_t$，还有获取的 $r_{t+1}r\_\{t+1\}$、$s_{t+1}s\_\{t+1\}$、$a_{t+1}a\_\{t+1\}$ 。

该算法由于每次更新值函数时需要知道当前的状态（state）、当前的动作（action）、奖励（reward）、下一步的状态（state）、下一步的动作（action），即 $(s_t,a_t,r_{t+1},s_{t+1},a_{t+1})(s\_\{t\},\; a\_\{t\},\; r\_\{t+1\},\; s\_\{t+1\},\; a\_\{t+1\})$ 这几个值 ，因此得名 Sarsa 算法。它走了一步之后，获取了 $(s_t,a_t,r_{t+1},s_{t+1},a_{t+1})(s\_\{t\},\; a\_\{t\},\; r\_\{t+1\},\; s\_\{t+1\},\; a\_\{t+1\})$ 之后，就可以做一次更新。

如图 3.29 所示，Sarsa 的更新公式可写为

Sarsa的更新公式与时序差分方法的公式是类似的。$S^{\mathrm{\prime }}S\text{'}$ 就是 $s_{t+1}s\_\{t+1\}$ 。我们就是用下一步的 Q 值 $Q(S^{\mathrm{\prime }},A^{\mathrm{\prime }})Q(S\text{'},A\text{'})$ 来更新这一步的 Q 值 $Q(S,A)Q(S,A)$，不断地强化每一个 Q 值。

我们考虑 $nn$ 步的回报（$n=1,2,\cdots ,\mathrm{\infty }n=1,2,\backslash cdots,\backslash infty$），如式(3.5)所示。Sarsa 属于单步更新算法，每执行一个动作，就会更新一次价值和策略。如果不进行单步更新，而是采取 $nn$ 步更新或者回合更新，即在执行 $nn$ 步之后再更新价值和策略，这样我们就得到了 $nn$ 步 Sarsa（$nn$-step Sarsa）。

比如 2步 Sarsa 就是执行两步后再来更新 Q函数的值。 对于 Sarsa，在 $tt$ 时刻的价值为

而对于 $nn$ 步 Sarsa，它的 $nn$ 步 Q 回报为

如果给 $Q_t^{n}Q\_t^\{n\}$ 加上资格迹衰减参数（decay-rate parameter for eligibility traces）$\lambda \backslash lambda$ 并进行求和，即可得到 Sarsa($\lambda \backslash lambda$) 的 Q 回报

因此，$nn$ 步 Sarsa($\lambda \backslash lambda$) 的更新策略为

总之，Sarsa 和 Sarsa($\lambda \backslash lambda$) 的差别主要体现在价值的更新上。

了解单步更新的基本公式之后，代码实现就很简单了。如图 3.30 所示，右边是环境，左边是智能体。智能体每与环境交互一次之后，就可以学习一次，向环境输出动作，从环境当中获取状态和奖励。智能体主要实现两个方法：

（1）根据 Q 表格选择动作，输出动作；

（2）获取 $(s_t,a_t,r_{t+1},s_{t+1},a_{t+1})(s\_\{t\},\; a\_\{t\},\; r\_\{t+1\},\; s\_\{t+1\},\; a\_\{t+1\})$ 这几个值更新 Q 表格。

4.2 Q学习：异策略时序差分控制

Sarsa 是一种同策略（on-policy） 算法，它优化的是它实际执行的策略，它直接用下一步会执行的动作去优化 Q 表格。同策略在学习的过程中，只存在一种策略，它用一种策略去做动作的选取，也用一种策略去做优化。所以 Sarsa 知道它下一步的动作有可能会跑到悬崖那边去，它就会在优化自己的策略的时候，尽可能离悬崖远一点。这样子就会保证，它下一步哪怕是有随机动作，它也还是在安全区域内。

Q学习是一种异策略（off-policy） 算法。如图 3.31 所示，异策略在学习的过程中，有两种不同的策略：目标策略（target policy）和行为策略（behavior policy）。 目标策略是我们需要去学习的策略，一般用 $\pi \backslash pi$ 来表示。目标策略就像是在后方指挥战术的一个军师，它可以根据自己的经验来学习最优的策略，不需要去和环境交互。 行为策略是探索环境的策略，一般用 $\mu \backslash mu$ 来表示。行为策略可以大胆地去探索到所有可能的轨迹，采集轨迹，采集数据，然后把采集到的数据“喂”给目标策略学习。而且“喂”给目标策略的数据中并不需要 $a_{t+1}a\_\{t+1\}$ ，而 Sarsa 是要有 $a_{t+1}a\_\{t+1\}$ 的。行为策略像是一个战士，可以在环境里面探索所有的动作、轨迹和经验，然后把这些经验交给目标策略去学习。比如目标策略优化的时候，Q学习不会管我们下一步去往哪里探索，它只选取奖励最大的策略。

再例如，如图 3.32 所示，比如环境是波涛汹涌的大海，但学习策略（learning policy）太“胆小”了，无法直接与环境交互学习，所以我们有了探索策略（exploratory policy），探索策略是一个不畏风浪的海盗，它非常激进，可以在环境中探索。因此探索策略有很多经验，它可以把这些经验“写成稿子”，然后“喂”给学习策略。学习策略可以通过稿子进行学习。

在异策略学习的过程中，轨迹都是行为策略与环境交互产生的，产生这些轨迹后，我们使用这些轨迹来更新目标策略 $\pi \backslash pi$。 异策略学习有很多好处。首先，我们可以利用探索策略来学到最佳的策略，学习效率高； 其次，异策略学习可以让我们学习其他智能体的动作，进行模仿学习，学习人或者其他智能体产生的轨迹； 最后，异策略学习可以让我们重用旧的策略产生的轨迹，探索过程需要很多计算资源，这样可以节省资源。

Q学习有两种策略：行为策略和目标策略。 目标策略 $\pi \backslash pi$ 直接在 Q表格上使用贪心策略，取它下一步能得到的所有状态，即

行为策略 $\mu \backslash mu$ 可以是一个随机的策略，但我们采取 $\epsilon \backslash varepsilon$-贪心策略，让行为策略不至于是完全随机的，它是基于Q表格逐渐改进的。

我们可以构造 Q学习 目标，Q学习的下一个动作都是通过 arg max 操作选出来的，于是我们可得

接着我们可以把 Q学习更新写成增量学习的形式，时序差分目标变成了$r_{t+1}+\gamma {}_{a}Q(s_{t+1},a)r\_\{t+1\}+\backslash gamma\; \backslash max\; \_\{a\}\; Q\backslash left(s\_\{t+1\},\; a\backslash right)$，即

如图 3.33 所示，我们再通过对比的方式来进一步理解 Q学习。Q学习是异策略的时序差分学习方法，Sarsa 是同策略的时序差分学习方法。 Sarsa 在更新 Q 表格的时候，它用到的是 $A^{\mathrm{\prime }}A\text{'}$ 。我们要获取下一个 Q 值的时候，$A^{\mathrm{\prime }}A\text{'}$ 是下一个步骤一定会执行的动作，这个动作有可能是 $\epsilon \backslash varepsilon$-贪心方法采样出来的动作，也有可能是最大化 Q 值对应的动作，也有可能是随机动作，但这是它实际执行的动作。 但是 Q学习 在更新 Q 表格的时候，它用到的是 Q 值 $Q(S^{\mathrm{\prime }},a)Q(S\text{'},a)$ 对应的动作 ，它不一定是下一个步骤会执行的实际的动作，因为我们下一个实际会执行的那个动作可能会探索。 Q学习默认的下一个动作不是通过行为策略来选取的，Q学习直接看Q表格，取它的最大化的值，它是默认 $A^{\mathrm{\prime }}A\text{'}$ 为最佳策略选取的动作，所以 Q学习 在学习的时候，不需要传入 $A^{\mathrm{\prime }}A\text{'}$，即 $a_{t+1}a\_\{t+1\}$ 的值。

事实上，Q学习算法被提出的时间更早，Sarsa 算法是Q学习算法的改进。

Sarsa 和 Q学习 的更新公式是一样的，区别只在目标计算的部分， Sarsa 是 $r_{t+1}+\gamma Q(s_{t+1},a_{t+1})r\_\{t+1\}+\backslash gamma\; Q(s\_\{t+1\},\; a\_\{t+1\})$， Q学习 是 $r_{t+1}+\gamma \underset{a}{}Q(s_{t+1},a)r\_\{t+1\}+\backslash gamma\; \backslash underset\{a\}\{\backslash max\}\; Q\backslash left(s\_\{t+1\},\; a\backslash right)$ 。

如图 3.34a 所示，Sarsa 用自己的策略产生了 $S,A,R,S^{\mathrm{\prime }},A^{\mathrm{\prime }}S,A,R,S\text{'},A\text{'}$ 这条轨迹，然后用 $Q(s_{t+1},a_{t+1})Q(s\_\{t+1\},a\_\{t+1\})$ 去更新原本的 Q 值 $Q(s_t,a_t)Q(s\_t,a\_t)$。 但是 Q学习 并不需要知道我们实际上选择哪一个动作 ，它默认下一个动作就是 Q 值最大的那个动作。Q学习知道实际上行为策略可能会有 0.1 的概率选择别的动作，但 Q 学习并不担心受到探索的影响，它默认按照最佳的策略去优化目标策略，所以它可以更大胆地去寻找最优的路径，它表现得比 Sarsa 大胆得多。

如图 3.34b 所示，我们对Q学习进行逐步拆解，Q学习与 Sarsa 唯一不一样的就是并不需要提前知道 $A_{2}A\_2$ ，就能更新 $Q(S_1,A_1)Q(S\_1,A\_1)$ 。在一个回合的训练当中，Q学习 在学习之前也不需要获取下一个动作 $A^{\mathrm{\prime }}A\text{'}$，它只需要前面的 $(S,A,R,S^{\mathrm{\prime }})(S,A,R,S\text{'})$ ，这与 Sarsa 很不一样。

4.3 同策略与异策略的区别

总结一下同策略和异策略的区别。

• Sarsa 是一个典型的同策略算法，它只用了一个策略 $\pi \backslash pi$，它不仅使用策略 $\pi \backslash pi$ 学习，还使用策略 $\pi \backslash pi$ 与环境交互产生经验。 如果策略采用 $\epsilon \backslash varepsilon$-贪心算法，它需要兼顾探索，为了兼顾探索和利用，它训练的时候会显得有点“胆小”。它在解决悬崖行走问题的时候，会尽可能地远离悬崖边，确保哪怕自己不小心探索了一点儿，也还是在安全区域内。此外，因为采用的是 $\epsilon \backslash varepsilon$-贪心 算法，策略会不断改变（$\epsilon \backslash varepsilon$ 值会不断变小），所以策略不稳定。

• Q学习是一个典型的异策略算法，它有两种策略————目标策略和行为策略，它分离了目标策略与行为策略。Q学习可以大胆地用行为策略探索得到的经验轨迹来优化目标策略，从而更有可能探索到最佳策略。行为策略可以采用 $\epsilon \backslash varepsilon$-贪心 算法，但目标策略采用的是贪心算法，它直接根据行为策略采集到的数据来采用最佳策略，所以 Q学习 不需要兼顾探索。

• 我们比较一下 Q学习 和 Sarsa 的更新公式，就可以发现 Sarsa 并没有选取最大值的最大化操作。因此，Q学习是一个非常激进的方法，它希望每一步都获得最大的利益；Sarsa 则相对较为保守，它会选择一条相对安全的迭代路线。

表格型方法总结如图 3.35 所示。

5. Q-learning实战

5.1、定义算法

强化学习算法的模式都比较固定，一般包括sample（即训练时采样动作），predict（测试时预测动作），update（算法更新）以及保存模型和加载模型等几个方法，其中对于每种算法samle和update的方式是不相同，而其他方法就大同小异。

import numpy as np
import math
from collections import defaultdict

class QLearning(object):
    def __init__(self,n_states,
                 n_actions,cfg):
        self.n_actions = n_actions 
        self.lr = cfg.lr  # 学习率
        self.gamma = cfg.gamma  
        self.epsilon = cfg.epsilon_start
        self.sample_count = 0  
        self.epsilon_start = cfg.epsilon_start
        self.epsilon_end = cfg.epsilon_end
        self.epsilon_decay = cfg.epsilon_decay
        self.Q_table  = defaultdict(lambda: np.zeros(n_actions)) # 用嵌套字典存放状态->动作->状态-动作值（Q值）的映射，即Q表
    def sample_action(self, state):
        ''' 采样动作，训练时用
        '''
        self.sample_count += 1
        self.epsilon = self.epsilon_end + (self.epsilon_start - self.epsilon_end) * \
            math.exp(-1. * self.sample_count / self.epsilon_decay) # epsilon是会递减的，这里选择指数递减
        # e-greedy 策略
        if np.random.uniform(0, 1) > self.epsilon:
            action = np.argmax(self.Q_table[str(state)]) # 选择Q(s,a)最大对应的动作
        else:
            action = np.random.choice(self.n_actions) # 随机选择动作
        return action
    def predict_action(self,state):
        ''' 预测或选择动作，测试时用
        '''
        action = np.argmax(self.Q_table[str(state)])
        return action
    def update(self, state, action, reward, next_state, done):
        Q_predict = self.Q_table[str(state)][action] 
        if done: # 终止状态
            Q_target = reward  
        else:
            Q_target = reward + self.gamma * np.max(self.Q_table[str(next_state)]) 
        self.Q_table[str(state)][action] += self.lr * (Q_target - Q_predict)

5.2、定义训练

强化学习算法的训练方式也比较固定，如下：

for i_ep in range(train_eps): # 遍历每个回合
    state = env.reset()  # 重置环境,即开始新的回合
    while True: # 对于一些比较复杂的游戏可以设置每回合最大的步长，例如while ep_step<100，就是每回合最大步长为100。
        action = agent.sample(state)  # 根据算法采样一个动作
        next_state, reward, done, _ = env.step(action)  # 与环境进行一次动作交互
        agent.memory.push(state, action, reward, next_state, done) # 记录memory
        agent.update(state, action, reward, next_state, done)  # 算法更新
        state = next_state  # 更新状态
        if done:
            break

首先对于每个回合，回合开始时环境需要重置，好比我们每次开一把游戏需要从头再来一样。我们可以设置智能体在每回合数的最大步长，尤其是对于比较复杂的游戏，这样做的好处之一就是帮助智能体在训练中快速收敛，比如我们先验地知道最优解的大概步数，那么理论上智能体收敛时也应该是这个步数附近，设置最大步数可以方便智能体接近这个最优解。在每个回合中，智能体首先需要采样（sample），或者说采用探索策略例如常见的$\epsilon \backslash varepsilon$-greedy策略或者UCB探索策略等等。采样的过程是将当前的状态state作为输入，智能体采样输出动作action。然后环境根据采样出来的动作反馈出下一个状态以及相应的reward等信息。接下来对于具有memory的智能体例如包含replay memory的DQN来说，需要将相应的transition（记住这个词，中文不好翻译，通常是状态、动作、奖励等信息）。紧接着就是智能体更新，对于深度强化学习此时一般从memory中随机采样一些transition进行更新，对于Q learning一般是采样上一次的transition。更新公式是比较关键的部分，但是也很通用，一般基于值的算法更新公式都是一个套路如下：

智能体更新完之后，通常需要更新状态，即state = next_state，然后会检查是否完成了这一回合的游戏，即done==True，注意完成并不代表这回合成功，也有可能是失败的太离谱，等同学们有了自定义强化学习环境的经验就知道了（等你长大就知道了XD）。 如果需要记录奖励、损失等等的话可以再加上，如下方代码，实际项目中更多地使用tensorboard来记录相应的数据，甚至于笔者就在这些教学代码中使用过，但是看起来有些繁琐，容易给大家增加不必要的学习难度，因此学有余力以及需要在项目研究中做强化学习的可以去看看，也很简单。 此外稍微复杂一些的强化学习不是一次性写完代码就能收敛的，这时需要我们做一个调参侠。为了检查我们参数调得好不好，可以在终端print出奖励、损失以及epsilon等随着回合数的变化，这点说明一下强化学习的训练过程一般都是先探索然后收敛的，官方的话就是权衡exploration and exploitation。e-greedy策略的做法就是前期探索，然后逐渐减小探索率至慢慢收敛，也就是这个epsilon。这个值越大比如0.9就说明智能体90%的概率在随机探索，通常情况下会设置三个值，epsilon_start、epsilon_end以及epsilon_decay，即初始值、终止值和衰减率，其中初始值一般是0.95不变，终止值是0.01，也就是说即使在收敛阶段也让智能体保持很小概率的探索，这样做的原因就是智能体已经学出了一个不错的策略，但是保不齐还有更好的策略，好比我们知道要出人头地学历高比较重要，但是“人还是要有梦想的，万一实现了呢”，总是存在意外的可能，对吧。回归正题，比较关键的是epsilon_decay这个衰减率，这个epsilon衰减太快了学来的策略往往过拟合，好比一条只能选择一朵花的花道上，你早早选择了一朵看起来还可以的花，却错过了后面更多的好花。但是衰减的太慢会影响收敛的速度，好比你走过了花道的尽头也还没选出一朵花来，相比前者不如更甚。当然强化学习的调参相比于深度学习只能说是有过之无不及，比较复杂，不止epsilon这一个，这就需要同学们的耐心学习了。 强化学习测试的代码跟训练基本上是一样的，因此我放到同一个代码段里。相比于训练代码，测试代码主要有以下几点不同：1、测试模型的过程是不需要更新的，这个是不言而喻的；2、测试代码不需要采样（sample）动作，相比之代替的是预测（sample）动作，其区别就是采样动作时可能会使用各种策略例如$\epsilon \backslash varepsilon$-greedy策略，而预测动作不需要，只需要根据训练时学习好的Q表或者网络模型代入状态得到动作即可；3、测试过程终端一般只需要看奖励，不需要看epislon等，反正它在测试中也是无意义的。

def train(cfg,env,agent):
    print('开始训练！')
    print(f'环境:{cfg.env_name}, 算法:{cfg.algo_name}, 设备:{cfg.device}')
    rewards = []  # 记录奖励
    for i_ep in range(cfg.train_eps):
        ep_reward = 0  # 记录每个回合的奖励
        state = env.reset()  # 重置环境,即开始新的回合
        while True:
            action = agent.sample_action(state)  # 根据算法采样一个动作
            next_state, reward, done, _ = env.step(action)  # 与环境进行一次动作交互
            agent.update(state, action, reward, next_state, done)  # Q学习算法更新
            state = next_state  # 更新状态
            ep_reward += reward
            if done:
                break
        rewards.append(ep_reward)
        if (i_ep+1)%20==0:
            print(f"回合：{i_ep+1}/{cfg.train_eps}，奖励：{ep_reward:.1f}，Epsilon：{agent.epsilon:.3f}")
    print('完成训练！')
    return {"rewards":rewards}
def test(cfg,env,agent):
    print('开始测试！')
    print(f'环境：{cfg.env_name}, 算法：{cfg.algo_name}, 设备：{cfg.device}')
    rewards = []  # 记录所有回合的奖励
    for i_ep in range(cfg.test_eps):
        ep_reward = 0  # 记录每个episode的reward
        state = env.reset()  # 重置环境, 重新开一局（即开始新的一个回合）
        while True:
            action = agent.predict_action(state)  # 根据算法选择一个动作
            next_state, reward, done, _ = env.step(action)  # 与环境进行一个交互
            state = next_state  # 更新状态
            ep_reward += reward
            if done:
                break
        rewards.append(ep_reward)
        print(f"回合数：{i_ep+1}/{cfg.test_eps}, 奖励：{ep_reward:.1f}")
    print('完成测试！')
    return {"rewards":rewards}

5.3、定义环境

OpenAI Gym中其实集成了很多强化学习环境，足够大家学习了，但是在做强化学习的应用中免不了要自己创建环境，比如在本项目中其实不太好找到Qlearning能学出来的环境，Qlearning实在是太弱了，需要足够简单的环境才行，因此本项目写了一个环境，大家感兴趣的话可以看一下，一般环境接口最关键的部分即使reset和step。

import gym
import turtle
import numpy as np

#turtle tutorial : https://docs.python.org/3.3/library/turtle.html

class CliffWalkingWapper(gym.Wrapper):
    def __init__(self, env):
        gym.Wrapper.__init__(self, env)
        self.t = None
        self.unit = 50
        self.max_x = 12
        self.max_y = 4

    def draw_x_line(self, y, x0, x1, color='gray'):
        assert x1 > x0
        self.t.color(color)
        self.t.setheading(0)
        self.t.up()
        self.t.goto(x0, y)
        self.t.down()
        self.t.forward(x1 - x0)

    def draw_y_line(self, x, y0, y1, color='gray'):
        assert y1 > y0
        self.t.color(color)
        self.t.setheading(90)
        self.t.up()
        self.t.goto(x, y0)
        self.t.down()
        self.t.forward(y1 - y0)

    def draw_box(self, x, y, fillcolor='', line_color='gray'):
        self.t.up()
        self.t.goto(x * self.unit, y * self.unit)
        self.t.color(line_color)
        self.t.fillcolor(fillcolor)
        self.t.setheading(90)
        self.t.down()
        self.t.begin_fill()
        for i in range(4):
            self.t.forward(self.unit)
            self.t.right(90)
        self.t.end_fill()

    def move_player(self, x, y):
        self.t.up()
        self.t.setheading(90)
        self.t.fillcolor('red')
        self.t.goto((x + 0.5) * self.unit, (y + 0.5) * self.unit)

    def render(self):
        if self.t == None:
            self.t = turtle.Turtle()
            self.wn = turtle.Screen()
            self.wn.setup(self.unit * self.max_x + 100,
                          self.unit * self.max_y + 100)
            self.wn.setworldcoordinates(0, 0, self.unit * self.max_x,
                                        self.unit * self.max_y)
            self.t.shape('circle')
            self.t.width(2)
            self.t.speed(0)
            self.t.color('gray')
            for _ in range(2):
                self.t.forward(self.max_x * self.unit)
                self.t.left(90)
                self.t.forward(self.max_y * self.unit)
                self.t.left(90)
            for i in range(1, self.max_y):
                self.draw_x_line(
                    y=i * self.unit, x0=0, x1=self.max_x * self.unit)
            for i in range(1, self.max_x):
                self.draw_y_line(
                    x=i * self.unit, y0=0, y1=self.max_y * self.unit)

            for i in range(1, self.max_x - 1):
                self.draw_box(i, 0, 'black')
            self.draw_box(self.max_x - 1, 0, 'yellow')
            self.t.shape('turtle')

        x_pos = self.s % self.max_x
        y_pos = self.max_y - 1 - int(self.s / self.max_x)
        self.move_player(x_pos, y_pos)

import gym
def env_agent_config(cfg,seed=1):
    '''创建环境和智能体
    Args:
        cfg ([type]): [description]
        seed (int, optional): 随机种子. Defaults to 1.
    Returns:
        env [type]: 环境
        agent : 智能体
    '''    
    env = gym.make(cfg.env_name)  
    env = CliffWalkingWapper(env)
    env.seed(seed) # 设置随机种子
    n_states = env.observation_space.n # 状态维度
    n_actions = env.action_space.n # 动作维度
    agent = QLearning(n_states,n_actions,cfg)
    return env,agent

5.4、设置参数

到这里所有qlearning模块就算完成了，下面需要设置一些参数，方便大家“炼丹”，其中默认的是笔者已经调好的～。另外为了定义了一个画图函数，用来描述奖励的变化。

import datetime
import argparse
import matplotlib.pyplot as plt
import seaborn as sns
def get_args():
    """ 
    """
    curr_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")  # 获取当前时间
    parser = argparse.ArgumentParser(description="hyperparameters")      
    parser.add_argument('--algo_name',default='Q-learning',type=str,help="name of algorithm")
    parser.add_argument('--env_name',default='CliffWalking-v0',type=str,help="name of environment")
    parser.add_argument('--train_eps',default=400,type=int,help="episodes of training") # 训练的回合数
    parser.add_argument('--test_eps',default=20,type=int,help="episodes of testing") # 测试的回合数
    parser.add_argument('--gamma',default=0.90,type=float,help="discounted factor") # 折扣因子
    parser.add_argument('--epsilon_start',default=0.95,type=float,help="initial value of epsilon") #  e-greedy策略中初始epsilon
    parser.add_argument('--epsilon_end',default=0.01,type=float,help="final value of epsilon") # e-greedy策略中的终止epsilon
    parser.add_argument('--epsilon_decay',default=300,type=int,help="decay rate of epsilon") # e-greedy策略中epsilon的衰减率
    parser.add_argument('--lr',default=0.1,type=float,help="learning rate")
    parser.add_argument('--device',default='cpu',type=str,help="cpu or cuda")                
    args = parser.parse_args([])                          
    return args
curr_time = datetime.datetime.now().strftime("%Y%m%d-%H%M%S") # 获取当前时间

def smooth(data, weight=0.9):  
    '''用于平滑曲线，类似于Tensorboard中的smooth

    Args:
        data (List):输入数据
        weight (Float): 平滑权重，处于0-1之间，数值越高说明越平滑，一般取0.9

    Returns:
        smoothed (List): 平滑后的数据
    '''
    last = data[0]  # First value in the plot (first timestep)
    smoothed = list()
    for point in data:
        smoothed_val = last * weight + (1 - weight) * point  # 计算平滑值
        smoothed.append(smoothed_val)                    
        last = smoothed_val                                
    return smoothed

def plot_rewards(rewards,cfg, tag='train'):
    sns.set()
    plt.figure()  # 创建一个图形实例，方便同时多画几个图
    plt.title("learning curve on {} of {} for {}".format(
        cfg.device, cfg.algo_name, cfg.env_name))
    plt.xlabel('epsiodes')
    plt.plot(rewards, label='rewards')
    plt.plot(smooth(rewards), label='smoothed')
    plt.legend()

5.5、仿真

#获取参数
cfg = get_args() 
#训练
env, agent = env_agent_config(cfg)
res_dic = train(cfg, env, agent)
 
plot_rewards(res_dic['rewards'], cfg, tag="train")  
#测试
res_dic = test(cfg, env, agent)
plot_rewards(res_dic['rewards'], cfg, tag="test")  # 画出结果

回合：40/400，奖励：-93.0，Epsilon：0.010
回合：60/400，奖励：-23.0，Epsilon：0.010
回合：80/400，奖励：-55.0，Epsilon：0.010
回合：100/400，奖励：-33.0，Epsilon：0.010
回合：120/400，奖励：-55.0，Epsilon：0.010
回合：140/400，奖励：-35.0，Epsilon：0.010
回合：160/400，奖励：-18.0，Epsilon：0.010
回合：180/400，奖励：-38.0，Epsilon：0.010
回合：200/400，奖励：-29.0，Epsilon：0.010
回合：220/400，奖励：-24.0，Epsilon：0.010
回合：240/400，奖励：-17.0，Epsilon：0.010
回合：260/400，奖励：-21.0，Epsilon：0.010
回合：280/400，奖励：-13.0，Epsilon：0.010
回合：300/400，奖励：-13.0，Epsilon：0.010
回合：320/400，奖励：-13.0，Epsilon：0.010
回合：340/400，奖励：-13.0，Epsilon：0.010
回合：360/400，奖励：-13.0，Epsilon：0.010
回合：380/400，奖励：-13.0，Epsilon：0.010
回合：400/400，奖励：-13.0，Epsilon：0.010
完成训练！
开始测试！
环境：CliffWalking-v0, 算法：Q-learning, 设备：cpu
回合数：1/20, 奖励：-13.0
回合数：2/20, 奖励：-13.0
回合数：3/20, 奖励：-13.0
回合数：4/20, 奖励：-13.0
回合数：5/20, 奖励：-13.0
回合数：6/20, 奖励：-13.0
回合数：7/20, 奖励：-13.0
回合数：8/20, 奖励：-13.0
回合数：9/20, 奖励：-13.0
回合数：10/20, 奖励：-13.0
回合数：11/20, 奖励：-13.0
回合数：12/20, 奖励：-13.0
回合数：13/20, 奖励：-13.0
回合数：14/20, 奖励：-13.0
回合数：15/20, 奖励：-13.0
回合数：16/20, 奖励：-13.0
回合数：17/20, 奖励：-13.0
回合数：18/20, 奖励：-13.0
回合数：19/20, 奖励：-13.0
回合数：20/20, 奖励：-13.0
完成测试！

更多优质内容请关注公号：汀丶人工智能

• 参考文献

• 百度强化学习

• 强化学习基础 David Silver 笔记

• Intro to Reinforcement Learning (强化学习纲要）

• Reinforcement Learning: An Introduction (second edition)

• 百面深度学习

• 神经网络与深度学习

• 机器学习

• Understanding the Bias-Variance Tradeoff