強韌學習Q-learning 優化作法

在上一篇的強韌學習中，可以看到行為 (action) 的主要還是依據 Q-Table 的最大數值來決定；而 Q-Table 中的數值是依照過去的行為經驗累積而來；在經驗累積的過程中，每次單純累計回饋 (reward) 的數值；所以，可以觀察到最後形成的 Q-Table 各個數值內容會逐漸地累計而出現離散而極端的差異；這樣的現象，會使得愈後面訓練的回饋數值相較於 Q-Table 的數值，影響力愈來愈小；因此，在建立 Q-Table 時，要儘量將不同時間加入的回饋值對 Q-Table 有一定的影響。

• 優化強韌學習參數

maxValue=1.0+0.8*np.max(qtable[observation,:])
qtable[observation,action]+=0.2*(maxValue-qtable[observation,action])

所以完整的訓練程式可以寫成：

import numpy as np
qtable=np.zeros((16,4))
#--------------
np.random.seed(13)
epochs=2000
for epoch in range(epochs):
    state=env.reset()
    path=[]
    terminated=False
    while (not terminated):
        action=np.random.randint(4)        
        path.append(action)
        observation, reward, terminated,_,_=env.step(action)
    if(reward>0):
        env.reset()
        for j in range(len(path)):
            action=path[j]
            observation,_,_,_,_=env.step(action)
            #----------------------
            maxValue=1.0+0.8*np.max(qtable[observation,:])
            qtable[observation,action]+=0.2*(maxValue-qtable[observation,action])
            #----------------------
#         print('successful path:',path)
print('table:',qtable)
#-------
np.save('qtable',qtable)

再用測試程式執行

qtable=np.load('qtable.npy')

np.random.seed(13)
epochs=400
for epoch in range(epochs):
    env.reset()
    observation=0
    path=[]
    terminated=False
    while (not terminated):
        dice=np.random.randint(6)
        if(dice>2):
            action=np.argmax(qtable[observation,:])
        else:
            action=np.random.randint(4)        
        path.append(action)
        observation, reward, terminated,_,_=env.step(action)
    if(reward>0):
        print('successful path:',path)

我們可以發現，增加了訓練的學習能力之後，成功完成的次數又再增加；由原來 400 次的嘗試成功 8 次，增加到 12 次；約 50%的成功。

• 自我學習

另一方面，如果可同時進行訓練及測試程式，每次的測試結果都可以不斷地進行學習，可以更進一步增加強韌學習的效率；因此可以將程式再更新如下：

import numpy as np
qtable=np.zeros((16,4))
#--------------
np.random.seed(13)
epochs=400
for epoch in range(epochs):
    env.reset()
    observation=0
    path=[]
    terminated=False
    inDB=False
    while (not terminated):
        dice=np.random.randint(6)
        if not inDB:
            dice=0
        if(dice>2):
            action=np.argmax(qtable[observation,:])
        else:
            action=np.random.randint(4)        
        path.append(action)
        observation, reward, terminated,_,_=env.step(action)

    if(reward>0):
        inDB=True
        env.reset()
        for j in range(len(path)):
            action=path[j]
            observation,_,_,_,_=env.step(action)
            #----------------------
            maxValue=1.0+0.8*np.max(qtable[observation,:])
            qtable[observation,action]+=0.2*(maxValue-qtable[observation,action])
            #----------------------
        print('successful path:',path)

print('table:',qtable)

透過同步學習及測試的作法，既使只有 400 次的嘗試，也會由原來的僅有一次成功的結果，增加到 8 次成功結果；更重要的是，可以從原來累計學習成功的結果，加入成為學習的輸入，也就是「自我學習」的效果。