强化学习(Reinforcement Learning)简单例子的Matlab代码实现——扫地机器人（Q-learning and SARSA）

87 阅读 0 评论 58 点赞

我是靠谱客的博主快乐短靴，最近开发中收集的这篇文章主要介绍强化学习(Reinforcement Learning)简单例子的Matlab代码实现——扫地机器人（Q-learning and SARSA），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

强化学习（Reinforcement Learning, RL）作为机器学习的一种技术，近年来受到了大量的关注，也取得了一些应用上的进展，比如AlphaGo的成功。论坛上已经有了大量的帖子博文介绍强化学习，感兴趣的朋友可以参考https://blog.csdn.net/Young_Gy/article/details/73485518，https://blog.csdn.net/liweibin1994/article/details/79079884

这里应用强化学习中最基本的Q-Learning算法来实现一个小的例子，并将自编的Matlab代码分享出来，揭开强化学习神秘的面纱，开始认识学习RL，与大家共同学习讨论。想进深入了解学习RL原理的同学也可以参考上面的链接或者关注莫烦的python教学，里面有RL的专题。

一、问题模型

强化学习一般针对的是小规模的离散系统，而且用马尔科夫决策链来表示（Markov Decision Process, MDP），这种系统的特点就是系统的状态（state）与动作（action）都是离散的，系统从当前状态在action的作用下转移到下一个状态，转移的概率等情况只与当前的状态于动作有关。这里要用到的例子就是使用MDP进行描述的。
图1 扫地机器人的一维移动问题模型
如图1所示，机器人的位置状态量被分为6个，从0到5，0位置是起始点，机器人要从这里出发前往位置5。action有两个，向左移动或向右移动，在左右移动动作的影响下，机器人分别向左或向右移动一格（这里是deterministic系统）。实际采用的reward与图片中的有所不同，从1到0 的转换reward是0，如果从0往左走会直接导致任务失败，重新开始。从状态4到5则会获得reward为1，并成功结束任务。

二、Matlab代码

这个小例子中的代码的核心思想就是更新Q-table，然后机器人依据Q-table的值来选择对应的动作。通过不断的与环境进行交互，学习更新Q表，最后达到稳定也就是最优。

2.1 主函数

clear; clc; close all;
% RL implementation on a finite-state clean robot
% 设置参数：状态量个数，动作的个数，最大循环数
global state_num
state_num = 6; 
action_num = 2;
episode_max = 50;
Gama = 0.9; % discout factor
Alpha = 0.1; % 学习速率
% 初始化Q值表
Q_table = zeros(state_num, action_num)


for i=1:episode_max
    % 每次训练的初始化
    step_counter = 0;
    S = 0;
    is_terminal = false;
    while ~is_terminal
        % 选择动作，更新状态，更新Q表
        A = choose_action(S, Q_table);
        [S_, R, flag] = get_env_feedback(S, A);
        Q_predict = Q_table(S+1, A);
        % 根据下一步是否是终点来更新flag参数以及Q值
        if S_ ~= state_num - 1 && flag == 0
            % 当下的reward加上下一步的discounted Q-value
            Q_target = R + Gama * max(Q_table(S_+1, :));
        elseif flag == 1 % 撞墙了，直接终止
            break;
        else
            % 如果是终点就没有下一步，直接赋值
            Q_target = R;
            is_terminal = true;
        end
        Q_table(S+1, A) = Q_table(S+1, A) + Alpha * (Q_target - Q_predict);
        S = S_; % 更新状态量
        step_counter = step_counter + 1;
    end
    if S==state_num - 1
        fprintf('%d: Succeed! total step: %dn', i, step_counter);
    elseif flag == 1
        fprintf('%d: Danger, failed! total step: %dn', i, step_counter);
    else
        fprintf('nothing happenedn');
    end
end
Q_table

2.2 选择动作函数choose_action.m

function A = choose_action( S, Q_table )
%CHOOSE_ACTION 此处显示有关此函数的摘要
%   greedy policy
epsilon = 0.9;
a = rand;
choices = Q_table(S+1, :);
if a>epsilon || ~any(choices)
    A = floor(2*rand) + 1;
else
    [maximum ,A] = max(choices);
end

end

2.3 环境交互反馈函数get_env_feedback.m

function [S_, R, flag] = get_env_feedback(S, A)
%GET_ENV_FEEDBACK 此处显示有关此函数的摘要
%   此处显示详细说明
global state_num
flag = 0;
if A == 2  % 向右移动
    if S == state_num - 2 % 下一步即将到达终点
        R = 1;
        S_ = S+1;
    else
        R = 0;
        S_ = S+1;
    end
end
 if A == 1 % 向左移动
     R = 0;
     if S == 0 % 撞墙了
         S_ = S;
         flag = 1;
     else
         S_ = S-1;
     end
 end
end

三、仿真结果

在这里插入图片描述

可以看到到后面策略基本上已经稳定。因为每次选择有10%的概率会随机选择一个动作（这样是为了充分探索环境），所以在位置0处还是会可能发生撞墙的风险，也会发生偶尔多走两步的情况。

四、Reward 设置

现在觉得策略收敛的还是太慢了，如果将状态数增加到10（起点与终点距离增大），看看仿真结果：
在这里插入图片描述
可以看到需要迭代将近70次才能基本收敛，这样的效率是很低的。为了提高学习效率，避免机器人做徒劳的尝试，我们可以人为地修改一下reward的设置，将在状态0处选择向左移动（即撞墙动作）设置reward为-1，加以惩罚，试图避免机器人多次选择这个危险动作，修改的代码只需添加一行。在主函数中将

elseif flag == 1 % 撞墙了，直接终止
            break;

改为

elseif flag == 1 % 撞墙了，直接终止
            Q_table(S+1, A) = R;
            break;

另外在get_env_feedback函数中在撞墙的判定里加入R=-1这个赋值：

 if A == 1 % 向左移动
     if S == 0 % 撞墙了
         R = -1;
         S_ = S;
         flag = 1;
     else
         R = 0;
         S_ = S-1;
     end
 end

观察训练结果：
在这里插入图片描述
对应的Q-table最终训练结果为：

可以看到最优策略十步迭代以内基本收敛，并且在100次的迭代中总共只发生了三次撞墙，结果相当令人满意。从这个例子反映出了，reward的设置对于强化学习的训练至关重要。reward设置不当，不仅会引起收敛缓慢，甚至会将agent引导至错误的policy，与初始目标背道而驰（如原地打转等）。故而针对每一个具体的场景，需要量体裁衣，对合适的状态动作设置一个合适的reward，进行奖励或者惩罚，最好地实现学习过程。

五、SARSA

SARSA（state-action-reward-state-action）作为与Q-learning齐名的RL算法，到底有什么神秘之处呢？这里我推荐一个我喜欢的答案：
https://www.zhihu.com/question/26408259/answer/467132543
一言以蔽之，SARSA与Q-learning不同之处仅在于更新Q-value时下一个状态的动作选择上，借用一个图：
在这里插入图片描述
虽然只有一点点差别，但是产生的影响需要细细品味。最直接的结果是SARSA更新的当前状态Q-value中反映了下一个状态包含的所有可能，或者说SARSA使得当前Q-value能够预知后续面对的奖励以及危险，而Q-learning则只专注于未来的奖励（因为使用max选择最优）。所以SARSA的策略总体而言更加保守，在这个例子里面要将Q-learning改为SARSA的话，只需将主函数中的几行代码稍作修改：

for i=1:episode_max
    % 每次训练的初始化
    step_counter = 0;
    S = 0;
    is_terminal = false;
    A = choose_action(S, Q_table); % SARSA对初始状态采取的动作的初始化
    while ~is_terminal
        % 选择动作，更新状态，更新Q表
%         A = choose_action(S, Q_table); % Q-learning采用的动作
        [S_, R, flag] = get_env_feedback(S, A);
        A_ = choose_action(S_, Q_table); % SARSA中对下一状态的动作选择
        Q_predict = Q_table(S+1, A);
        % 根据下一步是否是终点来更新flag参数以及Q值
        if S_ ~= state_num - 1 && flag == 0
            % 当下的reward加上下一步的discounted Q-value
%             Q_target = R + Gama * max(Q_table(S_+1, :)); % Q-learning更新
            Q_target = R + Gama * Q_table(S_+1, A_); % SARSA更新，下一状态采用A_
        elseif flag == 1 % 撞墙了，直接终止
            Q_table(S+1, A) = R;
            break;
        else
            % 如果是终点就没有下一步，直接赋值
            Q_target = R;
            is_terminal = true;
        end
        Q_table_ = Q_table;
        Q_table(S+1, A) = Q_table(S+1, A) + Alpha * (Q_target - Q_predict);
        S = S_; % 更新状态量
        A=A_; % 更新动作值，SARSA选择的下一动作-说到做到
        step_counter = step_counter + 1;
    end
    
    if S==state_num - 1
        fprintf('%d: Succeed! total step: %dn', i, step_counter);
    elseif flag == 1
        fprintf('%d: Danger, failed! total step: %dn', i, step_counter);
    else
        fprintf('nothing happenedn');
    end
end

可以看出更新方式稍有差别，仿真结果如下：
在这里插入图片描述
收敛速度也十分迅速，最重要的差别在于Q-table的值

这里与Q-learning最大的差别在于，第二行第一列的Q-value是负数，这在Q-learning中是绝对不可能发生的，说明SARSA考虑到了状态0面临的潜在风险。二者表现出来的区别在这个例子中不够明显，后面会更新一个二维的迷宫探险，到时候二者的区别将会显而易见。

参考资料

莫烦python教程，https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/
Busoniu, L., Babuska, R., De Schutter, B., & Ernst, D. (2010). Reinforcement learning and dynamic programming using function approximators (Vol. 39). CRC press.