使用Dyna-Q扩展Q-Learning以增强决策能力

Q-Learning是强化学习中一种至关重要的无模型算法，专注于学习特定状态下动作的价值或“Q 值”。这种方法在具有不可预测性的环境中表现出色，因为它不需要周围环境的预定义模型。它有效地适应随机转换和各种奖励，使其适用于结果不确定的场景。这种灵活性使 Q-Learning 成为需要自适应决策的强大工具，而无需事先了解环境动态。

使用 Dyna-Q 扩展 Q-Learning 以增强决策能力

探索 Dyna-Q，这是一种先进的强化学习算法，通过将真实体验与模拟规划相结合来扩展 Q-Learning。

Q-Learning 是强化学习中一种至关重要的无模型算法，专注于学习特定状态下动作的价值或“Q 值”。这种方法在具有不可预测性的环境中表现出色，因为它不需要周围环境的预定义模型。它有效地适应随机转换和各种奖励，使其适用于结果不确定的场景。这种灵活性使 Q-Learning 成为需要自适应决策的强大工具，而无需事先了解环境动态。

学习过程

Q-learning 的工作原理是更新每个状态下每个动作的 Q 值表。它使用贝尔曼方程，根据观察到的奖励及其对未来奖励的估计，迭代更新这些值。策略 - 选择行动的策略 - 是从这些Q值中得出的。

• Q值 - 表示通过在给定状态下采取特定操作可以获得的预期未来奖励
• 更新规则 - Q 值更新如下：
  • Q （状态， 动作） ← Q （状态， 动作） + α （奖励 + 最大γ Q （下一个状态，a） − Q （状态， 动作))
  • 学习率α表示新信息的重要性，折扣系数γ表示未来奖励的重要性。

提供的代码用作 Q-Learner 的训练功能。它利用贝尔曼方程来确定状态之间最有效的转换。

def train_Q(self,s_prime,r): 			  		 			     			  	   		   	  			  	
        self.QTable[self.s,self.action] = (1-self.alpha)*self.QTable[self.s, self.action] + \
            self.alpha * (r + self.gamma * (self.QTable[s_prime, np.argmax(self.QTable[s_prime])])) 
        self.experiences.append((self.s, self.action, s_prime, r))
        self.num_experiences = self.num_experiences + 1
        self.s = s_prime
        self.action = action
        return action 	

勘探与开发

Q-learning的一个关键方面是平衡探索（尝试新的行动来发现他们的奖励）和利用（使用已知信息来最大化奖励）。算法通常使用ε贪婪等策略来维持这种平衡。

首先设置随机操作的速率，以平衡探索和开发。实现衰减率，以随着 Q 表积累更多数据而逐渐降低随机性。这种方法保证了随着时间的推移，随着更多证据的积累，算法越来越多地转向利用。

if rand.random() >= self.random_action_rate:
  action = np.argmax(self.QTable[s_prime,:])  #Exploit: Select Action that leads to a State with the Best Reward
else:
  action = rand.randint(0,self.num_actions - 1) #Explore: Randomly select an Action.
    
# Use a decay rate to reduce the randomness (Exploration) as the Q-Table gets more evidence
self.random_action_rate = self.random_action_rate * self.random_action_decay_rate

Dyna-Q简介

Dyna-Q 是传统 Q-Learning 算法的创新扩展，处于将真实体验与模拟规划相结合的最前沿。这种方法通过整合实际交互和模拟体验，显著增强了学习过程，使智能体能够在复杂的环境中快速适应并做出明智的决策。通过利用从环境反馈中直接学习和通过仿真获得的见解，Dyna-Q提供了一种全面而有效的策略，以应对真实世界数据稀缺或获取成本高昂的挑战。

Dyna-Q的组件

1. Q-Learning：从真实经验中学习
2. 模型学习：学习环境模型
3. 规划：使用模型生成模拟体验

模型学习

• 该模型跟踪转换和奖励。对于每个状态-动作对 （s， a），模型存储下一个状态 s′ 和奖励 r。
• 当智能体观察到转换 （s， a，r，s′） 时，它会更新模型。

使用模拟体验进行规划

• 在每个步骤中，代理从真实体验更新其 Q 值后，还会根据模拟体验更新 Q 值。
• 这些体验是使用学习模型生成的：对于选定的状态-动作对（s，a），它预测下一个状态和奖励，并且Q值被更新，就好像已经经历了这种转变一样。

算法 Dyna-Q

1. 初始化所有状态-动作对的 Q 值 Q（s， a） 和模型 （s， a）。
2. 循环（每集）：
   • 初始化状态 s。
   • 循环（针对剧集的每个步骤）：
     • 使用派生自 Q 从状态 s 中选择操作 a（例如，ε-greedy ）
     • 采取行动 a，观察奖励 r，然后下一个状态 s′
     • 直接学习：使用观察到的跃迁（s、a、r、s′）更新 Q 值
     • 模型学习：使用转换（s、a、r、s′）更新模型
     • 计划：重复 n 次：
       • 随机选择以前经历过的状态-动作对 （s， a）。
       • 使用模型生成预测的下一个状态 s′ 并奖励 r
       • 使用模拟跃迁 （s， a，r，s′） 更新 Q 值
       • s← s′。
3. 结束循环 此功能将 Dyna-Q 计划阶段合并到前面提到的 Q-Learner 中，从而能够指定在每一集中运行的所需模拟量，其中操作是随机选择的。此功能增强了 Q-Learn 的整体功能和多功能性。

def train_DynaQ(self,s_prime,r): 			  		 			     			  	   		   	  			  	
        self.QTable[self.s,self.action] = (1-self.alpha)*self.QTable[self.s, self.action] + \
            self.alpha * (r + self.gamma * (self.QTable[s_prime, np.argmax(self.QTable[s_prime])])) 
        self.experiences.append((self.s, self.action, s_prime, r))
        self.num_experiences = self.num_experiences + 1
        
        # Dyna-Q Planning - Start
        if self.dyna_planning_steps > 0:  # Number of simulations to perform
            idx_array = np.random.randint(0, self.num_experiences, self.dyna)
            for exp in range(0, self.dyna): # Pick random experiences and update QTable
                idx = idx_array[exp]
                self.QTable[self.experiences[idx][0],self.experiences[idx][1]] = (1-self.alpha)*self.QTable[self.experiences[idx][0], self.experiences[idx][1]] + \
                    self.alpha * (self.experiences[idx][3] + self.gamma * (self.QTable[self.experiences[idx][2], np.argmax(self.QTable[self.experiences[idx][2],:])])) 
        # Dyna-Q Planning - End

        if rand.random() >= self.random_action_rate:
          action = np.argmax(self.QTable[s_prime,:])  #Exploit: Select Action that leads to a State with the Best Reward
        else:
          action = rand.randint(0,self.num_actions - 1) #Explore: Randomly select an Action.
          
    	# Use a decay rate to reduce the randomness (Exploration) as the Q-Table gets more evidence
        self.random_action_rate = self.random_action_rate * self.random_action_decay_rate 
        
        self.s = s_prime
        self.action = action
        return action 	

结论

Dyna Q 代表了一种进步，我们追求设计能够在复杂和不确定的环境中学习和适应的代理。通过理解和实施 Dyna Q，人工智能和机器学习领域的专家和爱好者可以为各种实际问题设计出有弹性的解决方案。本教程的目的不是介绍概念和算法，而是在这个引人入胜的研究领域激发创造性应用和未来进展的创造力。

以上是使用Dyna-Q扩展Q-Learning以增强决策能力的详细内容。更多信息请关注PHP中文网其他相关文章！