标签：eclipse __name__ 方法 选择 作用 目的 阅读 target frame
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
为了实现自走的路径，并尽量避免障碍，设计一个路径。
如图所示，当机器人在图中的任意网格中时，怎样让它明白周围环境，最终到达目标位置。
这里给出一个运行结果：
首先给他们编号如下：作为位置的标识。
然后利用Q-Learning的奖赏机制，完成数据表单更新，最终更新如下:
在机器人实际选择路径时，按照该表中的最大值选择，最终走到24号位置，并避开了红色方块。
如初始位置在4时候，首先选择了最大值向左到3，然后在3处选择了最大值向下，然后到8处选择了向下，等等，最终完成路径的选择。而这种选择正是使用Q-Learning实现的。
在一个陌生的环境中，机器人首先的方向是随机选择的，当它从起点开始出发时，选择了各种各样的方法，完成路径。
但是在机器人碰到红色方块后，给予惩罚，则经过多次后，机器人会避开惩罚位置。
当机器人碰到蓝色方块时，给予奖赏，经过多次后，机器人倾向于跑向蓝色方块的位置。
完成奖赏和惩罚的过程表达，就是用值表示吧。
首先建立的表是空表的，就是说，如下这样的表是空的，所有值都为0：
在每次行动后，根据奖惩情况，更新该表，完成学习过程。在实现过程中，将奖惩情况也编制成一张表。表格式如上图类似。
而奖惩更新公式为：
贝尔曼方程：
其中的
表示当前的Q表，就是上图25行4列的表单。
表示学习率，
表示下一次行为会得到的奖惩情况，
表示一个贪婪系数，在这里的公式中，就是说，如果它的数值比较大，则更倾向于对远方的未来奖赏。
（该式子在很多网页文本中并没有固定的格式，如贪婪系数，在有些时候是随着步数的增加而递减的（可能）。
推荐阅读：
https://www.jianshu.com/p/29db50000e3f
等，其中包括了更新Q表中的一些过程。
他的代码讲解：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/2-1-general-rl/
他设计了一种方案实现了机器人在一维空间中如何移动，但是不涉及障碍物的问题，并使用了较高的编程能力，有显示路径过程。
而本文侧重于如何表示出路径，完成思路示例。
导入对应的库函数，并建立问题模型：
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
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
行为选择过程中，使用这样长的表示也就是为了表达：在边界时候，机器人的路径有些不能选的，要不就超出索引的表格了。。
当贪婪系数更小时，更倾向于使用随机方案，或者当表初始时所有数据都为0，则使用随机方案进行行为选择。
当np.random.uniform()< =EPSILON时，则使用已经选择过的最优方案完成Qlearning的行为选择，也就是说，机器人并不会对远方的未知目标表示贪婪。（这里的表达是和上述公式的贪婪系数大小的作用是相反过来的）
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
函数中参数S，表示state（状态），a表示action（行为），行为0到3分别表示左右上下。该表中，给出了在当前状态下，下一个方向会导致的奖惩情况。
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]
该函数调用了上一个奖惩表示的函数，获得奖惩信息，其中的参数S，A，同上。
当状态S，A符合了下一步获得最终的结果时，则结束（终止），表示完成了目标任务。否则更新位置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
首先初始化Q表，然后设定初始路径就是在0位置（也就是说每次机器人，从位置0开始出发）
训练迭代次数MAX_EPISODES已经在之前设置。
在每一代的训练过程中，选择行为（随机或者使用Q表原有），然后根据选择的行为和当前的位置，获得奖惩情况：S_, R
当没有即将发生的行为不会到达最终目的地时候，使用：
q_target = R + GAMMA * q_table.iloc[S_, :].max() q_table.loc[S, A] += ALPHA * (q_target - q_table.loc[S, A])
这两行完成q表的更新。（对照贝尔曼方程）
当完成时候，即终止，开始下一代的训练。
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)
效果其实和开头一样，调整合适的参数，最终输出的q表自然有对应的影响。
明显可以得到的是，贪婪系数会影响训练时间等。
所有代码就是以上。可以使用eclipse的pydev下进行运行，调试。并观察没一步对表格的影响
标签：eclipse __name__ 方法 选择 作用 目的 阅读 target frame
原文地址：https://www.cnblogs.com/bai2018/p/11517584.html
