Q-learning

几个关键要素

State：状态

Action：行动，每个State下可以采取的行动

Reward(State,Action)：实际的奖励，每个State下采取不同的Action，会得到不同的Reward。因此其可以是一张二维的表，也可以根据实际情况来判定。

Q(State,Action)：Q-value，动作效用，即每个State下采取不同的Action，得到的不同的效用，可以看成是agent的经验与记忆。其是一张二维的表，往往各个元素都初始化为0。

π(s)：策略，对于当前State s 在所有可能的Action中选择一个Action a 的策略，在Q-learning中通常采用ε-greedy

Q-learning算法学习框架

1. 初始化各个参数

2. 对每一个episode：

• （随机）初始化agent的state
• 若未达到目标状态，则执行：
  • 在当前State s 所有可能的Action中选择一个，记作a（通常采用ε-greedy策略）
  • 应用Action a，可以得到下一个State，记作s_
  • 更新Q(State,Action)表，Q[S,A] ← (1-α)*Q[S,A] + α*(R(S,a) + γ* max Q[S',a_i ])
  • 更新State s，s ← s_

Q(State,Action)更新公式的解释

　　

　　（该图里前后两个a含义不一样，后者表示a_i）

　　α 表示learning rate，右边式子中的Q[S,A]表示之前的经验，(R(S,a) + γ* max Q[S',a_i ])表示新学到的经验

　　γ 表示discount factor，R(S,a) 表示实际收获的经验，max Q[S',a_i ]表示下一状态期望学习到的经验（是一个估计，并且这个经验是基于过去的记忆的）

 

参考：

Q-learning的解释：https://www.zhihu.com/question/26408259

A Painless Q-learning Tutorial：https://blog.csdn.net/itplus/article/details/9361915