用Q-learning实现寻宝游戏

该实践借鉴莫烦的Maze,拓展到了100个状态,一些代码也修改了,探索-利用比例实现了动态改变,最后基本是一个保守的Agent了,开始的时候我把一般移动的R设为-1,但效果很不理想,让我一度怀疑要不要再加一个V-table来评估状态,后来证明是我自己学艺不精,因为Q-table值的更新已经涉及到下一状态的MaxQ了,只要把一般移动的R设为0就可以了,因为如果设为-1的话走的次数越多值越低。

import numpy as np
import pandas as pd
import time
import sys
import os
from PIL import ImageTk,Image
if sys.version_info.major == 2:
    import Tkinter as tk
else:
    import tkinter as tk

UNIT = 60   # pixels
MAZE_H = 10  # grid height
MAZE_W = 10  # grid width

class Maze(tk.Tk, object):
    def __init__(self):
        super(Maze, self).__init__()
        self.action_space = ['u', 'd', 'l', 'r']
        self.n_actions = len(self.action_space)
        self.title('小徐寻宝')
        self.geometry('{0}x{1}'.format(MAZE_H * UNIT, MAZE_H * UNIT))
        self.flags=0
        self._build_maze()

    def _build_maze(self):
        self.canvas = tk.Canvas(self, bg='white',
                           height=MAZE_H * UNIT,
                           width=MAZE_W * UNIT)

        self.explorerpicture = ImageTk.PhotoImage(Image.open(os.getcwd() + "/touxiang.jpeg").resize((50,50)))
        self.paradisepicture = ImageTk.PhotoImage(Image.open(os.getcwd() + "/baoxiang2.jpeg").resize((50,50)))
        self.hellpicture = ImageTk.PhotoImage(Image.open(os.getcwd() + "/laoshujia.jpeg").resize((50,50)))
        # create grids
        for c in range(0, MAZE_W * UNIT, UNIT):
            x0, y0, x1, y1 = c, 0, c, MAZE_H * UNIT
            self.canvas.create_line(x0, y0, x1, y1)
        for r in range(0, MAZE_H * UNIT, UNIT):
            x0, y0, x1, y1 = 0, r, MAZE_W * UNIT, r
            self.canvas.create_line(x0, y0, x1, y1)
        # create origin
        origin = np.array([30, 30])
        # hell 
        hell1_center = origin + np.array([UNIT * 2, UNIT])
        self.hell1=self.canvas.create_image(hell1_center[0],hell1_center[1],image=self.hellpicture)
        hell2_center = origin + np.array([UNIT, UNIT * 2])
        self.hell2 = self.canvas.create_image(hell2_center[0], hell2_center[1], image=self.hellpicture)
        hell3_center = origin + np.array([UNIT, UNIT * 3])
        self.hell3 = self.canvas.create_image(hell3_center[0], hell3_center[1], image=self.hellpicture)
        hell4_center = origin + np.array([UNIT*5, UNIT * 5])
        self.hell4 = self.canvas.create_image(hell4_center[0], hell4_center[1], image=self.hellpicture)
        hell5_center = origin + np.array([UNIT * 5, UNIT * 6])
        self.hell5 = self.canvas.create_image(hell5_center[0], hell5_center[1], image=self.hellpicture)
        hell6_center = origin + np.array([UNIT * 5, UNIT * 7])
        self.hell6 = self.canvas.create_image(hell6_center[0], hell6_center[1], image=self.hellpicture)
        hell7_center = origin + np.array([UNIT * 5, UNIT * 2])
        self.hell7 = self.canvas.create_image(hell7_center[0], hell7_center[1], image=self.hellpicture)
        hell8_center = origin + np.array([UNIT * 6, UNIT * 2])
        self.hell8 = self.canvas.create_image(hell8_center[0], hell8_center[1], image=self.hellpicture)
        hell9_center = origin + np.array([UNIT * 7, UNIT * 2])
        self.hell9 = self.canvas.create_image(hell9_center[0], hell9_center[1], image=self.hellpicture)
        hell10_center = origin + np.array([UNIT * 7, UNIT * 3])
        self.hell10= self.canvas.create_image(hell10_center[0], hell10_center[1], image=self.hellpicture)
        # create 宝箱
        oval_center = origin + np.array([UNIT * 6,UNIT * 7])
        self.oval=self.canvas.create_image(oval_center[0],oval_center[1],image=self.paradisepicture
        # create 头像
        self.rect=self.canvas.create_image(origin[0],origin[1],image=self.explorerpicture)
        # pack all
        self.canvas.pack()

    def reset(self):
        self.update()
        self.flags+=1
        print(self.flags)
        if self.flags<4 or self.flags>147:
            razytime=0.08
        else:
            razytime=0.0005
        time.sleep(razytime)
        self.canvas.delete(self.rect)
        origin = np.array([30, 30])
        self.rect = self.canvas.create_image(origin[0], origin[1], image=self.explorerpicture)
        # return observation
        return self.canvas.coords(self.rect)

    def step(self, action):
        s = self.canvas.coords(self.rect)
        base_action = np.array([0, 0])
        if action == 0:   # up
            if s[1] > UNIT:
                base_action[1] -= UNIT
        elif action == 1:   # down
            if s[1] < (MAZE_H - 1) * UNIT:
                base_action[1] += UNIT
        elif action == 2:   # right
            if s[0] < (MAZE_W - 1) * UNIT:
                base_action[0] += UNIT
        elif action == 3:   # left
            if s[0] > UNIT:
                base_action[0] -= UNIT

        self.canvas.move(self.rect, base_action[0], base_action[1])  # move agent

        s_ = self.canvas.coords(self.rect)  # next state

        # reward function
        if s_ == self.canvas.coords(self.oval):
            reward = 200
            done = True
            s_ = 'terminal'
        elif s_ in [self.canvas.coords(self.hell1), self.canvas.coords(self.hell2),
                    self.canvas.coords(self.hell3), self.canvas.coords(self.hell4),
                    self.canvas.coords(self.hell5), self.canvas.coords(self.hell6),
                    self.canvas.coords(self.hell7), self.canvas.coords(self.hell8),
                    self.canvas.coords(self.hell9), self.canvas.coords(self.hell10)]:
            reward = -1000
            done = True
            s_ = 'terminal'
        else:
            reward = 0
            done = False

        return s_, reward, done

    def render(self):
        if self.flags < 4 or self.flags > 147:
            razytime = 0.08
        else:
            razytime = 0.0005
        time.sleep(razytime)
        self.update()

class qlearningtable:
    # 初始化
    def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.5,e_greedy_min=0.01,e_greedy_decay=0.96):
        self.actions = actions  # a list
        self.lr = learning_rate  # 学习率
        self.gamma = reward_decay  # 奖励衰减
        self.epsilon = e_greedy  # 贪婪度
        self.epsilon_min=e_greedy_min
        self.epsilon_decay=e_greedy_decay
        self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float64)  # 初始 q_table

    # 选行为
    def choose_action(self, observation):
        self.check_state_exist(observation)  # 检测本 state 是否在 q_table 中存在
        if np.random.rand() >= self.epsilon:  # 选择 Q value 最高的 action
            state_action = self.q_table.loc[observation, :]
            # 同一个 state, 可能会有多个相同的 Q action value, 所以我们乱序一下
            action = np.random.choice(state_action[state_action == np.max(state_action)].index)
        else:  # 随机选择 action
            action = np.random.choice(self.actions)
        if self.epsilon>self.epsilon_min:
            self.epsilon*=self.epsilon_decay

        return action

    # 学习更新参数
    def learn(self, s, a, r, s_):
        self.check_state_exist(s_)  # 检测 q_table 中是否存在 s_ 
        q_predict = self.q_table.loc[s, a]
        if s_ != 'terminal':
            q_target = r + self.gamma * self.q_table.loc[s_, :].max()  # 下个 state 不是 终止符
        else:
            q_target = r  # 下个 state 是终止符
        self.q_table.loc[s, a] += self.lr * (q_target - q_predict)  # 更新对应的 state-action 值


    # 检测 state 是否存在
    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 update():
    # 学习 150 回合
    for episode in range(150):
        # 初始化 state 的观测值
        observation = env.reset()
        while True:
            # 更新可视化环境
            env.render()

            # RL 大脑根据 state 的观测值挑选 action
            action = RL.choose_action(str(observation))

            # 探索者在环境中实施这个 action, 并得到环境返回的下一个 state 观测值, reward 和 done (是否是掉下地狱或者升上天堂)
            observation_, reward, done = env.step(action)
            print(observation_, reward, done)

            # RL 从这个序列 (state, action, reward, state_) 中学习
            RL.learn(str(observation), action, reward, str(observation_))

            # 将下一个 state 的值传到下一次循环
            observation = observation_

            # 如果进入陷阱或者找到宝藏, 这回合就结束了
            if done:
                break

    # 结束游戏并关闭窗口
    print('game over')

if __name__ == '__main__':
    # 定义环境 env 和 RL 方式
    env = Maze()
    RL = qlearningtable(actions=list(range(env.n_actions)))

    # 开始可视化环境 env
    env.after(50, update)
    env.mainloop()
    print(RL.q_table)
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,496评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,407评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,632评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,180评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,198评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,165评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,052评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,910评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,324评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,542评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,711评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,424评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,017评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,668评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,823评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,722评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,611评论 2 353

推荐阅读更多精彩内容