一些說明、參閱

https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/blob/master/contents/1_command_line_reinforcement_learning/treasure_on_right.py

https://github.com/simoninithomas/Deep_reinforcement_learning_Course/blob/master/Q%20learning/FrozenLake/Q%20Learning%20with%20FrozenLake.ipynb

https://www.cnblogs.com/hhh5460/p/10134018.html

http://baijiahao.baidu.com/s?id=1597978859962737001&wfr=spider&for=pc

https://www.jianshu.com/p/29db50000e3f

問題提出

為了實現自走的路徑，並儘量避免障礙，設計一個路徑。

如圖所示，當機器人在圖中的任意網格中時，怎樣讓它明白周圍環境，最終到達目標位置。

這裡給出一個執行結果：

首先給他們編號如下：作為位置的標識。

然後利用Q-Learning的獎賞機制，完成資料表單更新，最終更新如下:

 在機器人實際選擇路徑時，按照該表中的最大值選擇，最終走到24號位置，並避開了紅色方塊。

如初始位置在4時候，首先選擇了最大值向左到3，然後在3處選擇了最大值向下，然後到8處選擇了向下，等等，最終完成路徑的選擇。而這種選擇正是使用Q-Learning實現的。

Q-learning的想法

獎賞機制

在一個陌生的環境中，機器人首先的方向是隨機選擇的，當它從起點開始出發時，選擇了各種各樣的方法，完成路徑。

但是在機器人碰到紅色方塊後，給予懲罰，則經過多次後，機器人會避開懲罰位置。

當機器人碰到藍色方塊時，給予獎賞，經過多次後，機器人傾向於跑向藍色方塊的位置。

具體公式

完成獎賞和懲罰的過程表達，就是用值表示吧。

首先建立的表是空表的，就是說，如下這樣的表是空的，所有值都為0：

 在每次行動後，根據獎懲情況，更新該表，完成學習過程。在實現過程中，將獎懲情況也編製成一張表。表格式如上圖類似。

而獎懲更新公式為：

貝爾曼方程：

其中的 表示當前的Q表，就是上圖25行4列的表單。 表示學習率， 表示下一次行為會得到的獎懲情況， 表示一個貪婪係數，在這裡的公式中，就是說，如果它的數值比較大，則更傾向於對遠方的未來獎賞。

（該式子在很多網頁文字中並沒有固定的格式，如貪婪係數，在有些時候是隨著步數的增加而遞減的（可能）。

 推薦閱讀：

https://www.jianshu.com/p/29db50000e3f

 等，其中包括了更新Q表中的一些過程。

程式碼實現-準備過程

不得不說的是該程式碼參閱了：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/blob/master/contents/1_command_line_reinforcement_learning/treasure_on_right.py

他的程式碼講解：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/2-1-general-rl/

他設計了一種方案實現了機器人在一維空間中如何移動，但是不涉及障礙物的問題，並使用了較高的程式設計能力，有顯示路徑過程。

而本文側重於如何表示出路徑，完成思路示例。

匯入對應的庫函式，並建立問題模型：

import numpy as np
import pandas as pd
import time

N_STATES = 25   # the length of the 2 dimensional world
ACTIONS = ['left', 'right','up','down']     # available actions
EPSILON = 0.3   # greedy police
ALPHA = 0.8     # learning rate
GAMMA = 0.9    # discount factor
MAX_EPISODES = 100   # maximum episodes
FRESH_TIME = 0.00001    # fresh time for one move

建立Q表的函式：

def build_q_table(n_states, actions):
    table = pd.DataFrame(
        np.zeros((n_states, len(actions))),     # q_table initial values
        columns=actions,    # actions's name
    )
    return table

行為選擇的函式：

行為選擇過程中，使用這樣長的表示也就是為了表達：在邊界時候，機器人的路徑有些不能選的，要不就超出索引的表格了。。

當貪婪係數更小時，更傾向於使用隨機方案，或者當表初始時所有資料都為0，則使用隨機方案進行行為選擇。

當np.random.uniform()< =EPSILON時，則使用已經選擇過的最優方案完成Qlearning的行為選擇，也就是說，機器人並不會對遠方的未知目標表示貪婪。（這裡的表達是和上述公式的貪婪係數大小的作用是相反過來的）

def choose_action(state, q_table):
    state_actions = q_table.iloc[state, :]
    if (np.random.uniform() > EPSILON) or ((state_actions == 0).all()):  # act non-greedy or state-action have no value
        if state==0:
            action_name=np.random.choice(['right','down'])
        elif state>0 and state<4:
            action_name=np.random.choice(['right','down','left'])
        elif state==4:
            action_name=np.random.choice(['left','down'])
        elif state==5 or state==15 or state==10 :
            action_name=np.random.choice(['right','up','down'])
        elif state==9 or state==14 or state==19 :
            action_name=np.random.choice(['left','up','down'])
        elif state==20:
            action_name=np.random.choice(['right','up'])
        elif state>20 and state<24:    
            action_name=np.random.choice(['right','up','left'])
        elif state==24:
            action_name=np.random.choice(['left','up'])
        else:
            action_name=np.random.choice(ACTIONS)
    else:   # act greedy
        action_name = state_actions.idxmax()    # replace argmax to idxmax as argmax means a different function in newer version of pandas
    return action_name

獎賞表達：

函式中引數S，表示state（狀態），a表示action（行為），行為0到3分別表示左右上下。該表中，給出了在當前狀態下，下一個方向會導致的獎懲情況。

def get_init_feedback_table(S,a):
    tab=np.ones((25,4))
    tab[8][1]=-10;tab[4][3]=-10;tab[14][2]=-10
    tab[11][1]=-10;tab[13][0]=-10;tab[7][3]=-10;tab[17][2]=-10
    tab[16][0]=-10;tab[20][2]=-10;tab[10][3]=-10;
    tab[18][0]=-10;tab[16][1]=-10;tab[22][2]=-1;tab[12][3]=-10
    tab[23][1]=50;tab[19][3]=50
    return tab[S,a]

獲取獎懲：

該函式呼叫了上一個獎懲表示的函式，獲得獎懲資訊，其中的引數S，A，同上。

當狀態S，A符合了下一步獲得最終的結果時，則結束（終止），表示完成了目標任務。否則更新位置S

def get_env_feedback(S, A):
    action={'left':0,'right':1,'up':2,'down':3};
    R=get_init_feedback_table(S,action[A])
    if (S==19 and action[A]==3) or (S==23 and action[A]==1):
        S = 'terminal'
        return S,R
    if action[A]==0:
        S-=1
    elif action[A]==1:
        S+=1
    elif action[A]==2:
        S-=5
    else:
        S+=5  
    return S, R

程式碼實現-開始訓練

首先初始化Q表，然後設定初始路徑就是在0位置（也就是說每次機器人，從位置0開始出發）

訓練迭代次數MAX_EPISODES已經在之前設定。

在每一代的訓練過程中，選擇行為（隨機或者使用Q表原有），然後根據選擇的行為和當前的位置，獲得獎懲情況：S_, R

當沒有即將發生的行為不會到達最終目的地時候，使用：

q_target = R + GAMMA * q_table.iloc[S_, :].max()
q_table.loc[S, A] += ALPHA * (q_target - q_table.loc[S, A])

　這兩行完成q表的更新。（對照貝爾曼方程）

當完成時候，即終止，開始下一代的訓練。

def rl():
    # main part of RL loop
    q_table = build_q_table(N_STATES, ACTIONS)
    for episode in range(MAX_EPISODES):
        S = 0
        is_terminated = False

        while not is_terminated:
            A = choose_action(S, q_table)
            S_, R = get_env_feedback(S, A)  # take action & get next state and reward
            if S_ != 'terminal':
                q_target = R + GAMMA * q_table.iloc[S_, :].max()   # next state is not terminal
            else:
                print(1)
                q_target = R     # next state is terminal
                is_terminated = True    # terminate this episode

            q_table.loc[S, A] += ALPHA * (q_target - q_table.loc[S, A])  # update
            S = S_  # move to next state
    return q_table

if __name__ == "__main__":
    q_table = rl()
    print('\r\nQ-table:\n')
    print(q_table)

效果-總結

效果其實和開頭一樣，調整合適的引數，最終輸出的q表自然有對應的影響。

明顯可以得到的是，貪婪係數會影響訓練時間等。

所有程式碼就是以上。可以使用eclipse的pydev下進行執行，除錯。並觀察沒一步對錶格的影響

&n