骑士和公主

假设你是一名骑士，你需要拯救被困在上面地图上显示的城堡中的公主。

您可以一次移动一个图块。敌人不能，而是落在与敌人相同的瓦片上，你就会死亡。 你的目标是以最快的路线走城堡。这可以使用“积分评分”系统进行评估。

你 在每一步都会失去-1（每一步的失分都会 帮助我们的球员变得更快）。

如果你碰到敌人，你会失去-100分，并且情节结束。

如果你在城堡中赢了，你会得到+100分。

问题是：你如何创建一个能够做到这一点的代理？

这是第一个策略。假设我们的代理试图去每个瓷砖，然后着色每个瓷砖。绿色表示“安全”，否则表示红色。

然后，我们可以告诉我们的代理只采取绿色瓷砖。

但问题是这并不是真的有用。当绿瓦彼此相邻时，我们不知道最好的瓦片。 所以我们的代理可以通过尝试找到城堡来陷入无限循环！

介绍 Q -table

下面是第二个策略: 创建一个表, 在这里我们将计算每个状态下每个操作的最大预期未来回报。

每个状态 (平铺) 允许四种可能的操作。它们向左、向右、向上或向下移动。

0是不可能的动作（如果你在左上角，你不能左转或上转！）

这被称为Q表。列将是四个动作（左，右，上，下）。行将是状态。每个单元格的价值将是该给定状态和行动的最大期望未来报酬。

Q学习算法：学习动作值函数

行动价值函数（或“Q函数”）需要两个输入：“状态”和“行动”。它返回该行动在该状态下的预期未来回报。

我们可以看到这个Q函数作为一个阅读器来滚动Q表，找到与我们状态相关的行，以及与我们行为相关的列。它从匹配的单元格返回Q值。这是“预期的未来奖励”。

但在我们探索环境之前，Q表给出了相同的任意固定值（大部分时间为0）。当我们探索环境时， Q表将通过使用Bellman方程迭代更新Q（s，a）给我们一个更好更好的逼近（见下文！）。

Q学习算法过程

Q学习算法的伪代码

步骤1：初始化Q值

我们用m个列（m =动作次数）和n行（n =状态数）构建一个Q表。我们初始化值为0。

步骤2：终止（或直到学习停止）

步骤3到5将重复，直到我们达到最大的剧集数量（由用户指定）或直到我们手动停止训练。

步骤3：选择一个动作

选择一个动作一个在当前状态小号基于当前Q值的估计。

但是......如果每个Q值等于零，我们可以采取什么行动？

这个想法是，在开始时， 我们将使用epsilon贪婪策略：

• 我们指定一个勘探率“epsilon”，我们在开始时将其设置为1。这是我们随机进行的步骤的比率。一开始，这个比率必须达到最高值，因为我们对Q表中的值一无所知。这意味着我们需要通过随机选择我们的行为来进行大量的探索。

• 我们生成一个随机数。如果这个数字>ε， 那么我们会做“剥削”（这意味着我们使用我们已经知道的在每一步选择最佳行动）。否则，我们会进行探索。

• 这个想法是我们在Q函数训练开始时必须有一个很大的epsilon。然后，随着代理人对估计Q值更有信心，逐步减少它。

步骤4-5：评估！

采取的操作一个观察结果状态S'和奖励河 现在更新函数Q（s，a）。

我们采取的措施一个是我们在第3步选择，然后执行此操作将返回我们一个新的状态S'和奖励[R （正如我们在强化学习过程中看到的第一篇文章）。

然后，为了更新Q（s，a），我们使用Bellman方程：

这里的想法是像这样更新我们的Q（状态，行动）：

New Q value =

Current Q value +

lr * [Reward + discount_rate * (highest Q value between possible actions from the new state s’ ) — Current Q value ]

我们举个例子：

• 一个奶酪（One cheese）= +1

• 两个奶酪（Two cheese ）= +2

• 大堆奶酪（Big pile of cheese）= +10（结束）

• 如果你吃鼠药（If you eat rat poison）= -10（结束）

第1步：我们启动我们的Q表

第2步：选择一个动作

从起始位置，您可以选择向右或向下。因为我们有很高的ε率（因为我们对环境一无所知），我们随机选择。例如......向右移动。

我们随意移动（例如，右）

我们找到了一块奶酪（+1），现在我们可以更新开始和结束时的Q值。我们通过使用贝尔曼方程来做到这一点。

步骤4-5：更新Q函数

首先，我们计算Q值的变化ΔQ（开始，右侧）

然后我们将初始Q值加到ΔQ（start，right）乘以学习率。

把网络学习速度看作是网络放弃新网络价值的一种方式。如果学习率为1，则新的估计值将是新的Q值。

更新的Q表

我们刚刚更新了我们的第一个Q值。现在我们需要一直这样做，直到学习停止。