Sarsa算法
最近在学强化学习，看了不少的教程，还是觉得莫烦大神的强化学习教程写的不错。所以，特意仔细研究莫烦的RL代码。在这贴上自己的理解。
莫烦RL教程：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/
代码：https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow/tree/master/contents
1.伪代码
下图的是Sarsa算法的伪代码：
Sarsa算法的伪代码
下图对比了Sarsa算法和Q-Learning算法
对比Sarsa算法和Q-Learning算法
2.迷宫游戏——Sarsa算法
2.1Sarsa算法实现
Qlearing和Sarsa更新Q表的不同之处在于，QLearning使用的Q现实是用的Q(S_)中的最大值(下一步不一定使用该(S_,A_)，只是想象的),
而Sarsa使用的是下一步将要采用的Q(S_,A_)
# 编写了一个RL父类，方便Q-learning 和 Sarsa 子类继承。
# RL类中前一节都已解读过
class RL(object):
def __init__(self, action_space, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):
self.actions = action_space # a list
self.lr = learning_rate
self.gamma = reward_decay
self.epsilon = e_greedy
self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float64)
def check_state_exist(self, state):
if state not in self.q_table.index:
# append new state to q table
self.q_table = self.q_table.append(
pd.Series(
[0]*len(self.actions),
index=self.q_table.columns,
name=state,
)
)
def choose_action(self, observation):
self.check_state_exist(observation)
# action selection
if np.random.rand() < self.epsilon:
# choose best action
state_action = self.q_table.loc[observation, :]
# some actions may have the same value, randomly choose on in these actions
action = np.random.choice(state_action[state_action == np.max(state_action)].index)
else:
# choose random action
action = np.random.choice(self.actions)
return action
# Q-learning 和 Sarsa的learn函数都不一样，所以需要各自编写
def learn(self, *args):
pass
# off-policy
class QLearningTable(RL):
def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):
# super()继承QLearning的父类RL
super(QLearningTable, self).__init__(actions, learning_rate, reward_decay, e_greedy)
def learn(self, s, a, r, s_):
self.check_state_exist(s_)
q_predict = self.q_table.loc[s, a]
if s_ != 'terminal':
q_target = r + self.gamma * self.q_table.loc[s_, :].max() # next state is not terminal
else:
q_target = r # next state is terminal
self.q_table.loc[s, a] += self.lr * (q_target - q_predict) # update
# on-policy
class SarsaTable(RL):
def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):
# super()继承Sarsa的父类RL
super(SarsaTable, self).__init__(actions, learning_rate, reward_decay, e_greedy)
def learn(self, s, a, r, s_, a_):
# 检查S_是否在表中
self.check_state_exist(s_)
# Q现实
q_predict = self.q_table.loc[s, a]
# Q估计
if s_ != 'terminal':
q_target = r + self.gamma * self.q_table.loc[s_, a_] # next state is not terminal
else:
q_target = r # next state is terminal
# 更新Q表
self.q_table.loc[s, a] += self.lr * (q_target - q_predict) # update
2.2主函数
Q-learning是获取S，根据S选择A，使用A得到R和S_。之后使用max(Q(S_))来更新Q(S,A)。
更新使用的Q(S_,A_)，下一步时不一定使用，这里只是想象的。
Sarsa是通过S、A，使用A得到R和S_，再根据S_选择A_。这个A_下一步肯定会使用。
哈哈，一个有趣的事，Sarsa使用的(S,A,R,S_,A_)，连起来刚好就是Sarsa的拼写。
from maze_env import Maze
from RL_brain import SarsaTable
def update():
# 训练次数
for episode in range(100):
# 初始化环境
observation = env.reset()
# 根据state选择action
action = RL.choose_action(str(observation))
# 时间步，回合
while True:
# 刷新环境
env.render()
# 采取action，返回 下一步的状态S_， 奖励R， 游戏结束flag
observation_, reward, done = env.step(action)
# 根据S_选择动作
action_ = RL.choose_action(str(observation_))
# Sarsa根据(S,A,R,S_,A_)来学习
RL.learn(str(observation), action, reward, str(observation_), action_)
# 交换 S and A
observation = observation_
action = action_
# 如果游戏结束，结束本次训练
if done:
break
# end of game
print('game over')
env.destroy()
if __name__ == "__main__":
env = Maze()
RL = SarsaTable(actions=list(range(env.n_actions)))
env.after(100, update)
env.mainloop()
