强化学习之Sarsa （时间差分学习）

 

上篇文章讲到Q-learning, Sarsa与Q-learning的在决策上是彻底相同的，不一样之处在于学习的方式上

此次咱们用openai gym的Taxi来作演示

Taxi是一个出租车的游戏，把顾客送到目的地+20分，每走一步-1分，若是在路上把乘客赶下车的话扣10分

 

简要

Sarsa是一种在线学习算法，也就是on-polic，Sarsa在每次更新算法时都是基于肯定的action,而Q-learning尚未肯定

Sarsa相对比较保守，他的每一步行动都是基于下一个Q(s',a')来完成的

咱们来看Sarsa的算法部分

是否是看起来很眼熟，没错和Q-learning的区别很小

Q-learning每次都时action'都选择最大化，而Sarsa每次更新都会选择下一个action，在咱们对代码中对应的代码也就是

obervation_, reward, done, info=env.step(action)
action_=choise(obervation_)

 

游戏开始

首先咱们初始化游戏环境

import gym
import numpy as np

env=gym.make('Taxi-v2')
env.seed(1995)

MAX_STEP=env.spec.timestep_limit
ALPHA=0.01
EPS=1
GAMMA=0.8
TRACE_DACAY=0.9
q_table=np.zeros([env.observation_space.n,env.action_space.n],dtype=np.float32)
eligibility_trace=np.zeros([env.observation_space.n,env.action_space.n],dtype=np.float32)

对没错，Sarsa仍是须要Q表来保存经验的,细心的小伙伴们必定发现咱们多了一个eligibility_trace的变量，这个是作什么用的呢，这个是用来保存每一个回合的每一步的，在新的回合开始后就会清零

 

Sarsa的决策上仍是和Q-learning相同的

def choise(obervation):
    if np.random.uniform()<EPS:
        action=env.action_space.sample()
    else:
        action=np.argmax(q_table[obervation])
    return action

 

下面是咱们的核心部分，就是学习啦^_^

#这里是Q-learning的学习更新部分

def learn(state,action,reward,obervation_):
    q_table[state][action]+=ALPHA*(reward+GAMMA*(max(q_table[obervation_])-q_table[state,action]))

#这里是Sarsa的学习更新部分

 

def learn(state,action,reward,obervation_,action_):
    global q_table,eligibility_trace
    error=reward + GAMMA * q_table[obervation_,action_] - q_table[state, action]
    eligibility_trace[state]*=0
 eligibility_trace[state][action]=1

    q_table+=ALPHA*error*eligibility_trace
    eligibility_trace*=GAMMA*TRACE_DACAY

哒当，我用红线标示出来了，聪明的你必定发现了不一样对吧

青色标示出来的表明的意思是没经历一轮，咱们让他+1证实这是得到reward中不可获取的一步

最后一行

eligibility_trace*=GAMMA*TRACE_DACAY

随着时间来衰减eligibility_trace的值，离获取reward越远的步，他的必要性也就越小

 

 

GAME OVER

让咱们大干一场吧

下面是全部的代码，小伙伴们快来运行把

 

import gym
import numpy as np

env=gym.make('Taxi-v2')
env.seed(1995)

MAX_STEP=env.spec.timestep_limit
ALPHA=0.01
EPS=1
GAMMA=0.8
TRACE_DACAY=0.9
q_table=np.zeros([env.observation_space.n,env.action_space.n],dtype=np.float32)
eligibility_trace=np.zeros([env.observation_space.n,env.action_space.n],dtype=np.float32)


def choise(obervation):
    if np.random.uniform()<EPS:
        action=env.action_space.sample()
    else:
        action=np.argmax(q_table[obervation])
    return action


def learn(state,action,reward,obervation_,action_):
    global q_table,eligibility_trace
    error=reward + GAMMA * q_table[obervation_,action_] - q_table[state, action]
    eligibility_trace[state]*=0
    eligibility_trace[state][action]=1

    q_table+=ALPHA*error*eligibility_trace
    eligibility_trace*=GAMMA*TRACE_DACAY


SCORE=0
for exp in xrange(50000):
    obervation=env.reset()
    EPS-= 0.001

    action=choise(obervation)
    eligibility_trace*=0

    for i in xrange(MAX_STEP):
        # env.render()
        obervation_, reward, done, info=env.step(action)
        action_=choise(obervation_)

        learn(obervation,action,reward,obervation_,action_)

        obervation=obervation_
        action=action_

        SCORE+=reward
        if done:
            break

    if exp % 1000 == 0:
        print 'esp,score (%d,%d)' % (exp, SCORE)
        SCORE = 0

print 'fenshu is %d'%SCORE

欢迎你们一块儿来学习^_^

 

最后附上一幅结果图

效率明显提升了^_^