【技術沙龍002期】資料中臺：宜信敏捷資料中臺建設實踐|宜信技術沙龍 將於5月23日晚8點線上直播，點選報名
專案描述：
在該專案中，你將使用強化學習演算法，實現一個自動走迷宮機器人。
- 如上圖所示，智慧機器人顯示在右上角。在我們的迷宮中，有陷阱（紅色炸彈）及終點（藍色的目標點）兩種情景。機器人要儘量避開陷阱、儘快到達目的地。
- 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。 -
執行不同的動作後，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。
- 撞到牆壁：-10
- 走到終點：50
- 走到陷阱：-30
- 其餘情況：-0.1
- 我們需要通過修改
robot.py中的程式碼，來實現一個 Q Learning 機器人，實現上述的目標。
Section 1 演算法理解
1.1 強化學習總覽
強化學習作為機器學習演算法的一種，其模式也是讓智慧體在“訓練”中學到“經驗”，以實現給定的任務。但不同於監督學習與非監督學習，在強化學習的框架中，我們更側重通過智慧體與環境的互動來學習。通常在監督學習和非監督學習任務中，智慧體往往需要通過給定的訓練集，輔之以既定的訓練目標（如最小化損失函式），通過給定的學習演算法來實現這一目標。然而在強化學習中，智慧體則是通過其與環境互動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資料）。
在強化學習中有五個核心組成部分，它們分別是：環境（Environment）、智慧體（Agent）、狀態（State）、動作（Action）和獎勵（Reward）。在某一時間節點t：
- 智慧體在從環境中感知其所處的狀態
- 智慧體根據某些準則選擇動作
- 環境根據智慧體選擇的動作，向智慧體反饋獎勵
通過合理的學習演算法，智慧體將在這樣的問題設定下，成功學到一個在狀態 
1.2 計算Q值
在我們的專案中，我們要實現基於 Q-Learning 的強化學習演算法。Q-Learning 是一個值迭代（Value Iteration）演算法。與策略迭代（Policy Iteration）演算法不同，值迭代演算法會計算每個”狀態“或是”狀態-動作“的值（Value）或是效用（Utility），然後在執行動作的時候，會設法最大化這個值。因此，對每個狀態值的準確估計，是我們值迭代演算法的核心。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 演算法中，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：
也就是對於當前的“狀態-動作” 
不過一般地，我們使用更為保守地更新 Q 表的方法，即引入鬆弛變數 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，機器人位於 s1，行動為 u，行動獲得的獎勵與題目的預設設定相同。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：
- 在初步的學習中，我們的 Q 值會不準確，如果在這個時候都按照 Q 值來選擇，那麼會造成錯誤。
- 學習一段時間後，機器人的路線會相對固定，則機器人無法對環境進行有效的探索。
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 演算法，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。
在如下的程式碼塊中，實現 epsilon-greedy 演算法的邏輯，並執行測試程式碼。
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)
ldllrrllllrlldlldllllllllllddulldlllllldllllludlldllllluudllllllulllllllllllullullllllllldlulllllrlrSection 2 程式碼實現
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式，它能夠根據你的要求隨機建立一個迷宮，或者根據指定的檔案，讀入一個迷宮地圖資訊。
- 使用
Maze("file_name")根據指定檔案建立迷宮，或者使用Maze(maze_size=(height, width))來隨機生成一個迷宮。 - 使用
trap number引數，在建立迷宮的時候，設定迷宮中陷阱的數量。 - 直接鍵入迷宮變數的名字按回車，展示迷宮影像（如
g=Maze("xx.txt")，那麼直接輸入g即可。 - 建議生成的迷宮尺寸，長在 6~12 之間，寬在 10～12 之間。
在如下的程式碼塊中，建立你的迷宮並展示。
from Maze import Maze
%matplotlib inline
%confer InlineBackend.figure_format = 'retina'
## to-do: 建立迷宮並展示
g=Maze(maze_size=(6,8), trap_number=1)
g
Maze of size (12, 12
)
你可能已經注意到，在迷宮中我們已經預設放置了一個機器人。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。其中你隨後會使用的兩個 API 為 maze.sense_robot() 及 maze.move_robot() 。
-
maze.sense_robot()為一個無引數的函式，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，並返回對應動作的獎勵值。
隨機移動機器人，並記錄下獲得的獎勵，展示出機器人最後的位置。
rewards = []
## 迴圈、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)
## 輸出機器人最後的位置
print(g.sense_robot())
## 列印迷宮，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慧體。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。通過實現學習函式， Robot 類將會學習到如何選擇最優的動作，並且更新強化學習中對應的引數。
首先 Robot 有多個輸入，其中 alpha=0.5, gamma=0.9, epsilon0=0.5 表徵強化學習相關的各個引數的預設值，這些在之前你已經瞭解到， Maze 應為機器人所在迷宮物件。
隨後觀察 Robot.update 函式，它指明瞭在每次執行動作時， Robot 需要執行的程式。按照這些程式，各個函式的功能也就明瞭了。
執行如下程式碼檢查效果（記得將 maze 變數修改為你建立迷宮的變數名）。
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 變數修改為你建立迷宮的變數名
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後，我們就可以開始對我們 Robot 進行訓練並調參了。我們準備了又一個非常棒的類 Runner ，來實現整個訓練過程及視覺化。使用如下的程式碼，你可以成功對機器人進行訓練。並且你會在當前資料夾中生成一個名為 filename 的視訊，記錄了整個訓練的過程。通過觀察該視訊，你能夠發現訓練過程中的問題，並且優化你的程式碼及引數。
嘗試利用下列程式碼訓練機器人，並進行調參。可選的引數包括：
-
訓練引數
- 訓練次數
epoch
- 訓練次數
-
機器人蔘數：
-
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 alphagamma
-
-
迷宮引數:
- 迷宮大小
- 迷宮中陷阱的數量
- 可選的引數：
- 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") # 你可以註釋該行程式碼，加快執行速度，不過你就無法觀察到視訊了。
g
使用 runner.plot_results() 函式，能夠印表機器人在訓練過程中的一些引數資訊。
- Success Times 代表機器人在訓練過程中成功的累計次數，這應當是一個累積遞增的影像。
- Accumulated Rewards 代表機器人在每次訓練 epoch 中，獲得的累積獎勵的值，這應當是一個逐步遞增的影像。
- Running Times per Epoch 代表在每次訓練 epoch 中，小車訓練的次數（到達終點就會停止該 epoch 轉入下次訓練），這應當是一個逐步遞減的影像。
使用
runner.plot_results()輸出訓練結果。
runner.plot_results() 
作者：楊飛