【技术沙龙002期】数据中台：宜信敏捷数据中台建设实践|宜信技术沙龙 将于5月23日晚8点线上直播，点击报名
项目描述：
![]()
在该项目中，你将使用强化学习算法，实现一个自动走迷宫机器人。
-
如上图所示，智能机器人显示在右上角。在我们的迷宫中，有陷阱（红色炸弹）及终点（蓝色的目标点）两种情景。机器人要尽量避开陷阱、尽快到达目的地。
-
小车可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走l。
-
执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况。
-
撞到墙壁：-10
-
走到终点：50
-
走到陷阱：-30
-
其余情况：-0.1
-
我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。
Section 1 算法理解
1.1 强化学习总览
强化学习作为机器学习算法的一种，其模式也是让智能体在“训练”中学到“经验”，以实现给定的任务。但不同于监督学习与非监督学习，在强化学习的框架中，我们更侧重通过智能体与环境的交互来学习。通常在监督学习和非监督学习任务中，智能体往往需要通过给定的训练集，辅之以既定的训练目标（如最小化损失函数），通过给定的学习算法来实现这一目标。然而在强化学习中，智能体则是通过其与环境交互得到的奖励进行学习。这个环境可以是虚拟的（如虚拟的迷宫），也可以是真实的（自动驾驶汽车在真实道路上收集数据）。
在强化学习中有五个核心组成部分，它们分别是：环境（Environment）、智能体（Agent）、状态（State）、动作（Action）和奖励（Reward）。在某一时间节点t：
-
智能体在从环境中感知其所处的状态![]()
-
智能体根据某些准则选择动作 ![]()
-
环境根据智能体选择的动作，向智能体反馈奖励 ![]()
通过合理的学习算法，智能体将在这样的问题设置下，成功学到一个在状态 ![]()
选择动作 ![]()
的策略 ![]()
。
1.2 计算Q值
在我们的项目中，我们要实现基于 Q-Learning 的强化学习算法。Q-Learning 是一个值迭代（Value Iteration）算法。与策略迭代（Policy Iteration）算法不同，值迭代算法会计算每个”状态“或是”状态-动作“的值（Value）或是效用（Utility），然后在执行动作的时候，会设法最大化这个值。因此，对每个状态值的准确估计，是我们值迭代算法的核心。通常我们会考虑最大化动作的长期奖励，即不仅考虑当前动作带来的奖励，还会考虑动作长远的奖励。
在 Q-Learning 算法中，我们把这个长期奖励记为 Q 值，我们会考虑每个 ”状态-动作“ 的 Q 值，具体而言，它的计算公式为：
![]()
也就是对于当前的“状态-动作” ![]()
，我们考虑执行动作 ![]()
后环境给我们的奖励![]()
，以及执行动作 ![]()
到达 ![]()
后，执行任意动作能够获得的最大的Q值![]()
，![]()
为折扣因子。
不过一般地，我们使用更为保守地更新 Q 表的方法，即引入松弛变量 alpha，按如下的公式进行更新，使得 Q 表的迭代变化更为平缓。
![]()
![]()
根据已知条件求![]()
。
已知：如上图，机器人位于 s1，行动为 u，行动获得的奖励与题目的默认设置相同。在 s2 中执行各动作的 Q 值为：u: -24，r: -13，d: -0.29、l: +40，γ取0.9。
![]()
1.3 如何选择动作
在强化学习中，「探索-利用」问题是非常重要的问题。具体来说，根据上面的定义，我们会尽可能地让机器人在每次选择最优的决策，来最大化长期奖励。但是这样做有如下的弊端：
因此我们需要一种办法，来解决如上的问题，增加机器人的探索。由此我们考虑使用 epsilon-greedy 算法，即在小车选择动作的时候，以一部分的概率随机选择动作，以一部分的概率按照最优的 Q 值选择动作。同时，这个选择随机动作的概率应当随着训练的过程逐步减小。
在如下的代码块中，实现 epsilon-greedy 算法的逻辑，并运行测试代码。
import random
import operator
actions = ['u','r','d','l']
qline = {'u':1.2, 'r':-2.1, 'd':-24.5, 'l':27}
epsilon = 0.3 # 以0.3的概率进行随机选择
def choose_action(epsilon):
action = None
if random.uniform(0,1.0) <= epsilon: # 以某一概率
action = random.choice(actions)# 实现对动作的随机选择
else:
action = max(qline.items(), key=operator.itemgetter(1))[0] # 否则选择具有最大 Q 值的动作
return action
range(100):
res += choose_action(epsilon)
print(res)
res = ''
for i in range(100):
res += choose_action(epsilon)
print(res)
ldllrrllllrlldlldllllllllllddulldlllllldllllludlldllllluudllllllulllllllllllullullllllllldlulllllrlr
Section 2 代码实现
2.1 Maze 类理解
我们首先引入了迷宫类 Maze，这是一个非常强大的函数，它能够根据你的要求随机创建一个迷宫，或者根据指定的文件，读入一个迷宫地图信息。
-
使用 Maze("file_name") 根据指定文件创建迷宫，或者使用 Maze(maze_size=(height, width)) 来随机生成一个迷宫。
-
使用 trap number 参数，在创建迷宫的时候，设定迷宫中陷阱的数量。
-
直接键入迷宫变量的名字按回车，展示迷宫图像（如 g=Maze("xx.txt")，那么直接输入 g 即可。
-
建议生成的迷宫尺寸，长在 6~12 之间，宽在 10～12 之间。
在如下的代码块中，创建你的迷宫并展示。
from Maze import Maze
%matplotlib inline
%confer InlineBackend.figure_format = 'retina'
## to-do: 创建迷宫并展示
g=Maze(maze_size=(6,8), trap_number=1)
g
Maze of size (12, 12
)
![]()
你可能已经注意到，在迷宫中我们已经默认放置了一个机器人。实际上，我们为迷宫配置了相应的 API，来帮助机器人的移动与感知。其中你随后会使用的两个 API 为 maze.sense_robot() 及 maze.move_robot() 。
随机移动机器人，并记录下获得的奖励，展示出机器人最后的位置。
rewards = []
## 循环、随机移动机器人10次，记录下奖励
for i in range(10):
res = g.move_robot(random. Choice(actions))
rewards.append(res)
## 输出机器人最后的位置
print(g.sense_robot())
## 打印迷宫，观察机器人位置
g
(0,9)
![]()
2.2 Robot 类实现
Robot 类是我们需要重点实现的部分。在这个类中，我们需要实现诸多功能，以使得我们成功实现一个强化学习智能体。总体来说，之前我们是人为地在环境中移动了机器人，但是现在通过实现 Robot 这个类，机器人将会自己移动。通过实现学习函数， Robot 类将会学习到如何选择最优的动作，并且更新强化学习中对应的参数。
首先 Robot 有多个输入，其中 alpha=0.5, gamma=0.9, epsilon0=0.5 表征强化学习相关的各个参数的默认值，这些在之前你已经了解到， Maze 应为机器人所在迷宫对象。
随后观察 Robot.update 函数，它指明了在每次执行动作时， Robot 需要执行的程序。按照这些程序，各个函数的功能也就明了了。
运行如下代码检查效果（记得将 maze 变量修改为你创建迷宫的变量名）。
import random
import operator
class Robot(object):
def __init__(self, maze, alpha=0.5, gamma=0.9, epsilon0=0.5):
self. Maze = maze
self.valid_actions = self.maze.valid_actions
self.state = None
self.action = None
# Set Parameters of the Learning Robot
self.alpha = alpha
self.gamma = gamma
self.epsilon0 = epsilon0
self. Epsilon = epsilon0
self.t = 0
self.Qtable = {}
self. Reset()
def. reset(self):
"""
Reset the robot
"""
self.state = self.sense_state()
self.create_Qtable_line(self.state)
def. set status(self, learning=False, testing=False):
"""
Determine whether the robot is learning its q table, or
executing the testing procedure.
"""
self. Learning = learning
self.testing = testing
def. update_parameter(self):
"""
Some of the paramters of the q learning robot can be altered,
update these parameters when necessary.
"""
if self.testing:
# TODO 1. No random choice when testing
self. Epsilon = 0
else:
# TODO 2. Update parameters when learning
self. Epsilon *= 0.95
return self. Epsilon
def. sense_state(self):
"""
Get the current state of the robot. In this
"""
# TODO 3. Return robot's current state
return self.maze.sense_robot()
def. create_Qtable_line(self, state):
"""
Create the qtable with the current state
"""
# TODO 4. Create qtable with current state
# Our qtable should be a two level dict,
# Qtable[state] ={'u':xx, 'd':xx, ...}
# If Qtable[state] already exits, then do
# not change it.
self.Qtable.setdefault(state, {a: 0.0 for a in self.valid_actions})
def. choose_action(self):
"""
Return an action according to given rules
"""
def. is_random_exploration():
# TODO 5. Return whether do random choice
# hint: generate a random number, and compare
# it with epsilon
return random.uniform(0, 1.0) <= self. Epsilon
if self. Learning:
if is_random_exploration():
# TODO 6. Return random choose aciton
return random. Choice(self.valid_actions)
else:
# TODO 7. Return action with highest q value
return max(self.Qtable[self.state].items(), key=operator.itemgetter(1))[0]
elif self.testing:
# TODO 7. choose action with highest q value
return max(self.Qtable[self.state].items(), key=operator.itemgetter(1))[0]
else:
# TODO 6. Return random choose aciton
return random. Choice(self.valid_actions)
def. update_Qtable(self, r, action, next_state):
"""
Update the qtable according to the given rule.
"""
if self. Learning:
# TODO 8. When learning, update the q table according
# to the given rules
self.Qtable[self.state][action] = (1 - self.alpha) * self.Qtable[self.state][action] + self.alpha * (
r + self.gamma * max(self.Qtable[next_state].values()))
def. update(self):
"""
Describle the procedure what to do when update the robot.
Called every time in every epoch in training or testing.
Return current action and reward.
"""
self.state = self.sense_state() # Get the current state
self.create_Qtable_line(self.state) # For the state, create q table line
action = self.choose_action() # choose action for this state
reward = self.maze.move_robot(action) # move robot for given action
next_state = self.sense_state() # get next state
self.create_Qtable_line(next_state) # create q table line for next state
if self. Learning and not self.testing:
self.update_Qtable(reward, action, next_state) # update q table
self.update_parameter() # update parameters
return action, reward
# from Robot import Robot
# g=Maze(maze_size=(6,12), trap_number=2)
g=Maze("test_world\maze_01.txt")
robot = Robot(g) # 记得将 maze 变量修改为你创建迷宫的变量名
robot.set_status(learning=True,testing=False)
print(robot.update())
g
（'d', -0.1）
Maze of size (12, 12)
![]()
2.3 用 Runner 类训练 Robot
在完成了上述内容之后，我们就可以开始对我们 Robot 进行训练并调参了。我们准备了又一个非常棒的类 Runner ，来实现整个训练过程及可视化。使用如下的代码，你可以成功对机器人进行训练。并且你会在当前文件夹中生成一个名为 filename 的视频，记录了整个训练的过程。通过观察该视频，你能够发现训练过程中的问题，并且优化你的代码及参数。
尝试利用下列代码训练机器人，并进行调参。可选的参数包括：
-
训练参数
-
机器人参数：
-
迷宫参数:
-
可选的参数：
-
epoch = 20
-
epsilon0 = 0.5
-
alpha = 0.5
-
gamma = 0.9
-
maze_size = (6,8)
-
trap_number = 2
from Runner import Runner
g = Maze(maze_size=maze_size,trap_number=trap_number)
r = Robot(g,alpha=alpha, epsilon0=epsilon0, gamma=gamma)
r.set_status(learning=True)
runner = Runner(r, g)
runner.run_training(epoch, display_direction=True)
#runner.generate_movie(filename = "final1.mp4") # 你可以注释该行代码，加快运行速度，不过你就无法观察到视频了。
g
![]()
使用 runner.plot_results() 函数，能够打印机器人在训练过程中的一些参数信息。
-
Success Times 代表机器人在训练过程中成功的累计次数，这应当是一个累积递增的图像。
-
Accumulated Rewards 代表机器人在每次训练 epoch 中，获得的累积奖励的值，这应当是一个逐步递增的图像。
-
Running Times per Epoch 代表在每次训练 epoch 中，小车训练的次数（到达终点就会停止该 epoch 转入下次训练），这应当是一个逐步递减的图像。
使用 ``` runner.plot_results()``` 输出训练结果。
runner.plot_results()
![]()
作者：杨飞
来源：宜信技术学院 （http://college.creditease.cn/）
，我们考虑执行动作 
后环境给我们的奖励
，以及执行动作 
到达 
后，执行任意动作能够获得的最大的Q值
，
为折扣因子。
。
