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×××)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:
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。
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:
- 在初步的学习中,我们的 Q 值会不准确,如果在这个时候都按照 Q 值来选择,那么会造成错误。
- 学习一段时间后,机器人的路线会相对固定,则机器人无法对环境进行有效的探索。
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()
。
maze.sense_robot()
为一个无参数的函数,输出机器人在迷宫中目前的位置。maze.move_robot(direction)
对输入的移动方向,移动机器人,并返回对应动作的奖励值。
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
- 训练次数
epoch
- 训练次数
- 机器人参数:
epsilon0
(epsilon 初值)epsilon
衰减(可以是线性、指数衰减,可以调整衰减的速度),你需要在 Robot.py 中调整alpha
gamma
- 迷宫参数:
- 迷宫大小
- 迷宫中陷阱的数量
- 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()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。