您好,登錄后才能下訂單哦!
項目描述:
在該項目中,你將使用強化學習算法,實現一個自動走迷宮機器人。
如上圖所示,智能機器人顯示在右上角。在我們的迷宮中,有陷阱(紅色×××)及終點(藍色的目標點)兩種情景。機器人要盡量避開陷阱、盡快到達目的地。
小車可執行的動作包括:向上走 u
、向右走 r
、向下走 d
、向左走l
。
執行不同的動作后,根據不同的情況會獲得不同的獎勵,具體而言,有以下幾種情況。
我們需要通過修改 robot.py
中的代碼,來實現一個 Q Learning 機器人,實現上述的目標。
Section 1 算法理解
1.1 強化學習總覽
強化學習作為機器學習算法的一種,其模式也是讓智能體在“訓練”中學到“經驗”,以實現給定的任務。但不同于監督學習與非監督學習,在強化學習的框架中,我們更側重通過智能體與環境的交互來學習。通常在監督學習和非監督學習任務中,智能體往往需要通過給定的訓練集,輔之以既定的訓練目標(如最小化損失函數),通過給定的學習算法來實現這一目標。然而在強化學習中,智能體則是通過其與環境交互得到的獎勵進行學習。這個環境可以是虛擬的(如虛擬的迷宮),也可以是真實的(自動駕駛汽車在真實道路上收集數據)。
在強化學習中有五個核心組成部分,它們分別是:環境(Environment)、智能體(Agent)、狀態(State)、動作(Action)和獎勵(Reward)。在某一時間節點t:
智能體在從環境中感知其所處的狀態
智能體根據某些準則選擇動作
環境根據智能體選擇的動作,向智能體反饋獎勵
通過合理的學習算法,智能體將在這樣的問題設置下,成功學到一個在狀態 選擇動作 的策略 。
1.2 計算Q值
在我們的項目中,我們要實現基于 Q-Learning 的強化學習算法。Q-Learning 是一個值迭代(Value Iteration)算法。與策略迭代(Policy Iteration)算法不同,值迭代算法會計算每個”狀態“或是”狀態-動作“的值(Value)或是效用(Utility),然后在執行動作的時候,會設法最大化這個值。因此,對每個狀態值的準確估計,是我們值迭代算法的核心。通常我們會考慮最大化動作的長期獎勵,即不僅考慮當前動作帶來的獎勵,還會考慮動作長遠的獎勵。
在 Q-Learning 算法中,我們把這個長期獎勵記為 Q 值,我們會考慮每個 ”狀態-動作“ 的 Q 值,具體而言,它的計算公式為:
也就是對于當前的“狀態-動作” ,我們考慮執行動作 后環境給我們的獎勵,以及執行動作 到達 后,執行任意動作能夠獲得的最大的Q值,為折扣因子。
不過一般地,我們使用更為保守地更新 Q 表的方法,即引入松弛變量 alpha,按如下的公式進行更新,使得 Q 表的迭代變化更為平緩。
根據已知條件求。
已知:如上圖,機器人位于 s1,行動為 u
,行動獲得的獎勵與題目的默認設置相同。在 s2 中執行各動作的 Q 值為:u
: -24,r
: -13,d
: -0.29、l
: +40,γ取0.9。
1.3 如何選擇動作
在強化學習中,「探索-利用」問題是非常重要的問題。具體來說,根據上面的定義,我們會盡可能地讓機器人在每次選擇最優的決策,來最大化長期獎勵。但是這樣做有如下的弊端:
因此我們需要一種辦法,來解決如上的問題,增加機器人的探索。由此我們考慮使用 epsilon-greedy 算法,即在小車選擇動作的時候,以一部分的概率隨機選擇動作,以一部分的概率按照最優的 Q 值選擇動作。同時,這個選擇隨機動作的概率應當隨著訓練的過程逐步減小。
在如下的代碼塊中,實現 epsilon-greedy 算法的邏輯,并運行測試代碼。
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的概率進行隨機選擇 def choose_action(epsilon): action = None if random.uniform(0,1.0) <= epsilon: # 以某一概率 action = random.choice(actions)# 實現對動作的隨機選擇 else: action = max(qline.items(), key=operator.itemgetter(1))[0] # 否則選擇具有最大 Q 值的動作 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 代碼實現
2.1 Maze 類理解
我們首先引入了迷宮類 Maze
,這是一個非常強大的函數,它能夠根據你的要求隨機創建一個迷宮,或者根據指定的文件,讀入一個迷宮地圖信息。
Maze("file_name")
根據指定文件創建迷宮,或者使用 Maze(maze_size=(height, width))
來隨機生成一個迷宮。trap number
參數,在創建迷宮的時候,設定迷宮中陷阱的數量。g=Maze("xx.txt")
,那么直接輸入 g
即可。在如下的代碼塊中,創建你的迷宮并展示。
from Maze import Maze %matplotlib inline %confer InlineBackend.figure_format = 'retina' ## to-do: 創建迷宮并展示 g=Maze(maze_size=(6,8), trap_number=1) g Maze of size (12, 12 )
你可能已經注意到,在迷宮中我們已經默認放置了一個機器人。實際上,我們為迷宮配置了相應的 API,來幫助機器人的移動與感知。其中你隨后會使用的兩個 API 為 maze.sense_robot()
及 maze.move_robot()
。
maze.sense_robot()
為一個無參數的函數,輸出機器人在迷宮中目前的位置。maze.move_robot(direction)
對輸入的移動方向,移動機器人,并返回對應動作的獎勵值。隨機移動機器人,并記錄下獲得的獎勵,展示出機器人最后的位置。
rewards = [] ## 循環、隨機移動機器人10次,記錄下獎勵 for i in range(10): res = g.move_robot(random. Choice(actions)) rewards.append(res) ## 輸出機器人最后的位置 print(g.sense_robot()) ## 打印迷宮,觀察機器人位置 g (0,9)
2.2 Robot 類實現
Robot
類是我們需要重點實現的部分。在這個類中,我們需要實現諸多功能,以使得我們成功實現一個強化學習智能體。總體來說,之前我們是人為地在環境中移動了機器人,但是現在通過實現 Robot
這個類,機器人將會自己移動。通過實現學習函數,Robot
類將會學習到如何選擇最優的動作,并且更新強化學習中對應的參數。
首先 Robot
有多個輸入,其中 alpha=0.5, gamma=0.9, epsilon0=0.5
表征強化學習相關的各個參數的默認值,這些在之前你已經了解到,Maze
應為機器人所在迷宮對象。
隨后觀察 Robot.update
函數,它指明了在每次執行動作時,Robot
需要執行的程序。按照這些程序,各個函數的功能也就明了了。
運行如下代碼檢查效果(記得將 maze
變量修改為你創建迷宮的變量名)。
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) # 記得將 maze 變量修改為你創建迷宮的變量名 robot.set_status(learning=True,testing=False) print(robot.update()) g ('d', -0.1) Maze of size (12, 12)
2.3 用 Runner 類訓練 Robot
在完成了上述內容之后,我們就可以開始對我們 Robot
進行訓練并調參了。我們準備了又一個非常棒的類 Runner
,來實現整個訓練過程及可視化。使用如下的代碼,你可以成功對機器人進行訓練。并且你會在當前文件夾中生成一個名為 filename
的視頻,記錄了整個訓練的過程。通過觀察該視頻,你能夠發現訓練過程中的問題,并且優化你的代碼及參數。
嘗試利用下列代碼訓練機器人,并進行調參。可選的參數包括:
epoch
epsilon0
(epsilon 初值)epsilon
衰減(可以是線性、指數衰減,可以調整衰減的速度),你需要在 Robot.py 中調整alpha
gamma
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") # 你可以注釋該行代碼,加快運行速度,不過你就無法觀察到視頻了。 g
使用 runner.plot_results()
函數,能夠打印機器人在訓練過程中的一些參數信息。
使用 runner.plot_results()
輸出訓練結果
runner.plot_results()
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持億速云。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。