news 2026/4/23 1:54:57

强化学习蒙特卡洛策略迭代方法求最优策略的代码实现(二)

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
强化学习蒙特卡洛策略迭代方法求最优策略的代码实现(二)

这里直接融合了first visit和every visit,当选择every visit,策略更新使用stochastic的epsilon greedy;选择first visit,策略更新使用greedy。

理论基础:

需要说明:

1. 由于我发现agent大多数时候更倾向于呆在原地,因为走到终点的reward太小,而走到forbidden或者boundary的reward又是很大的负数,因此呆在原地是长远考虑。因此我增加了r_stay,当模型决定留在原地就给一定的惩罚。在env.py中添加即可。同时注意测试时r_boundary和r_forbidden不应该设置的太小。

2. 在env.py的step方法中需要调整,可以允许agent进入forbidden区域。

if not (0 <= ni < self.size and 0 <= nj < self.size): next_state = self.state_id(i,j) else: next_state = self.state_id(ni,nj)
from collections import defaultdict import numpy as np from env import GridWorldEnv from utils import drow_policy class MonteCarloPolicyIteration(object): def __init__(self, env: GridWorldEnv, gamma=0.9, samples=1, mode="first visit"): self.env = env self.action_space_size = self.env.num_actions # 上下左右原地 self.reward_space_size = self.env.reward_space_size # 执行每个动作的reward self.state_space_size = self.env.num_states self.reward_list = self.env.reward_list self.gamma = gamma self.samples = samples self.mode = mode self.policy = np.ones((self.state_space_size, self.action_space_size)) / self.action_space_size self.state_value = np.zeros((self.env.size, self.env.size)) self.qvalues = np.zeros((self.state_space_size, self.action_space_size)) self.returns = np.zeros((self.state_space_size, self.action_space_size)) # 必须初始化为0,不是zeros_like self.nums = np.zeros((self.state_space_size, self.action_space_size)) def solve(self, iterations=20, epsilon=0.1): ''' :param iterations: 迭代的次数 :param epsilon: epsilon greedy:[0,1] epsilon=0:greedy,就选择best action;epsilon=1:stochastic,选择所有action的概率相同 ''' for i in range(iterations): for _ in range(self.samples): # 随机选择一个非终点状态作为起始状态,确保所有的状态都能被充分访问 non_terminal_states = [i for i in range(self.state_space_size) if i not in self.env.terminal] s = np.random.choice(non_terminal_states) a = np.random.choice(self.action_space_size, p=self.policy[s]) # 按policy采样 episode = self.generate_episodes(s, a) self.update_q_from_episode(episode) for s in range(self.state_space_size): if s in self.env.terminal: self.policy[s] = np.eye(self.action_space_size)[4] else: best_a = np.argmax(self.qvalues[s]) if self.mode=="every visit": # 如果是first visit,很多(s,t)可能被访问了很多次,但是却只用它做了一次action value的估计 # epsilon greedy self.policy[s] = epsilon / self.action_space_size # 给其他action小概率 self.policy[s, best_a] += 1 - epsilon # 给最有可能的action大概率 elif self.mode=="first visit": # 实际对应epsilon=0的情况 self.policy[s]=np.eye(self.action_space_size)[best_a] self.state_value = np.sum(self.policy * self.qvalues, axis=1).reshape(self.env.size, self.env.size) def generate_episodes(self, start_state, start_action, max_steps=200): ''' :param start_state: 当前状态的state_id :param start_action: 当前动作 :return: [(state_id, action,reward),(...)] ''' episode = [] state = start_state action = start_action for _ in range(max_steps): next_state, reward, done = self.env.step(state, action) episode.append((state, action, reward)) if done: break state = next_state action = np.random.choice(self.action_space_size, p=self.policy[state]) # 从[0,action_space_size)随机选一个,每个action的概率为policy[state] return episode def update_q_from_episode(self, episode): G = 0 visit = set() for s, a, r in reversed(episode): # 如果直接使用reversed(episode)就会同时把tuple内部也反转了 G = r + self.gamma * G if self.mode == "first visit": if (s, a) not in visit: self.returns[s, a] += G self.nums[s, a] += 1 self.qvalues[s, a] = self.returns[s, a] / self.nums[s, a] elif self.mode == "every visit": self.returns[s, a] += G self.nums[s, a] += 1 self.qvalues[s, a] = self.returns[s, a] / self.nums[s, a] else: raise Exception("Invalid mode") if __name__ == '__main__': env = GridWorldEnv( size=5, forbidden=[(1, 2),(3,3)], terminal=[(4,4)], r_boundary=-1, r_other=-0.04, r_terminal=1, r_forbidden=-1, r_stay=-0.1 ) vi = MonteCarloPolicyIteration(env=env, gamma=0.9, samples=10, mode="every visit") vi.solve(iterations=10000, epsilon=0.3) # 只有mode="every visit"才需要传入epsilon print("\n state value: ") print(vi.state_value) drow_policy(vi.policy, env)

对于相同的配置,iteration=100、1000、10000时,策略分别是

可以发现,iteration越大,策略越优。

由于stochastic,因此相同的配置运行多次结果也很大概率不同,大多数时候agent在进行一些exploration,因此看起来策略并不是最好的。因此epsilon greedy实际上是牺牲了最优性,换取了更多的exploration,epsilon越小,越接近最优greedy,epsilon越大,跑的时间也越长。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/23 11:24:28

28岁大专成功转行网络安全:我总结的8条血泪教训与避坑指南

网络安全行业 “人才缺口 300 万 、平均年薪超 25 万” 的红利&#xff0c;让无数职场人动了转行心思。尤其是学历普通&#xff08;如大专&#xff09;的群体&#xff0c;既面临原有岗位的天花板&#xff0c;又渴望通过技术转型实现薪资跃迁。但网安行业看似门槛低&#xff0c;…

作者头像 李华
网站建设 2026/4/23 11:25:55

5步掌握Playground v2.5:AI绘画新利器

想要用AI创作出令人惊艳的艺术作品却不知从何开始&#xff1f;Playground v2.5 1024px Aesthetic模型正是你需要的创作伙伴。这款先进的文本到图像生成模型能够创作出1024x1024分辨率的高质量图像&#xff0c;支持多种宽高比&#xff0c;让你从文字描述轻松转化为视觉艺术。 【…

作者头像 李华
网站建设 2026/4/4 21:13:32

30分钟构建0x00000057错误诊断MVP

快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容&#xff1a; 快速开发一个0x00000057错误诊断MVP。核心功能&#xff1a;1. 错误代码输入界面&#xff1b;2. 基础诊断功能&#xff1b;3. 简单修复建议&#xff1b;4. 用户反馈收集。要求&#…

作者头像 李华
网站建设 2026/4/22 20:13:02

基于高尔夫优化算法GOA求解无人机三维路径规划研究附Matlab代码

作者简介&#xff1a;热爱科研的Matlab仿真开发者&#xff0c;擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。&#x1f34e; 往期回顾关注个人主页&#xff1a;Matlab科研工作室&#x1f34a;个人信条&#xff1a;格物致知,完整Matlab代码及仿真咨询内…

作者头像 李华
网站建设 2026/4/20 11:12:20

MySQL进阶篇——sql优化

优化很多是基于索引的&#xff0c;结合上一篇中的性能分析。1、insert优化--批量插入 insert into tb_test values(1,tom),(2,cat),(3,jerry); --手动事务提交 start transaction; insert into...; insert into...; commit; --主键顺序插入&#xff08;性能高于乱序插入&#x…

作者头像 李华
网站建设 2026/4/22 11:38:14

Java集成PaddlePaddle OCR:让文字识别变得如此简单

还在为Java项目中需要文字识别功能而烦恼吗&#xff1f;传统方案要么依赖复杂的Python环境&#xff0c;要么调用云端API存在延迟和安全风险。现在&#xff0c;通过SmartJavaAI项目&#xff0c;你可以轻松实现Java环境下的离线OCR识别&#xff0c;无需任何Python依赖&#xff01…

作者头像 李华