0基础入门强化学习，非程序也能看得懂人工智能香菜-

1. 引言

这是这个系列的第一篇，为什么会突然写这么一篇？这是因为公司最近搞了一个拳皇97 AI 大赛，各个程序摩拳擦掌，对于我来说有点难，不会玩，不懂客户端，试着写了下发现很难发出招式。本想用机器学习解决问题，奈何在公司网络限制，搞了两天，又由于还有正经工作，断断续续的，环境搭建不起来，简直是走一步三个坑，无奈只能自己手撸最简单的QLearning算法。（环境并不适合，因为状态太多，下面会解释）

2. Qlearning 是什么

  强化学习在机器学习里面只是一个分支，QLearing 是强化学习的一个简单算法，可以理解为学程序时的最基础的冒泡排序，至于那些乱七八糟的定义，历史，百度吧，我也记不住，问题不大，解决问题优先。

3.Qlearning原理

   本来想贴百度百科上来，不过那种官方的定义不够白话，有点类似文言文，有基础的一下就能看懂，没基础的看不懂。意义不大。

3.1首先看下强化学习的概念：

   强化学习的概念可以理解为训练自己家的小狗上厕所，刚开始的时候小狗的天性肯定不会自己上厕所，在某次可能毫无意识的行为，他在一个你想让他上厕所的地方拉了，你果断上去给了个鸡腿，这种行为就叫奖励，而小狗会记住这种情况下主人给了他一个鸡腿，开心。在后面的时间，每当他做出正确的上厕所行为，你都会给一个鸡腿，这样就强化了他的记忆，小狗天性想要更多的鸡腿，因此下次想上厕所的时候就会从自己的经验中选择收益最高的行为，吸取历史经验以获得更多的鸡腿。如此循环就会强化记忆，这就是强化学习了。

3.2 看下QLearning 的算法原理：

QLearning 算法很简单，就是怎么储存记忆保存历史经验的的一种算法。QLearning使用最暴力的图表法，也可以理解动态规划，动态规划解决的问题就是action导致的状态转移，根据状态方程，并且查表进行优化。

<!–网上的图片，应该没人搭理我吧，侵权再删–>

比如上面这个图老鼠想要吃奶酪，但是不吃老鼠药。利用QLearning 怎么做呐？

对应一下各个术语：

environment 就是这个游戏

state 就是这个棋盘的状态

action 就是向哪走 （上，下，左，右）

reward 就是获得的奶酪 获得小的奶酪

每次面临这种棋盘状态时，老鼠都会根据上次的经验走动，以获得最多的奶酪，并且不吃到毒药。

3.3 算法公式：

解释下：

Q(s，a) 表示你在做action之前的历史经验，就是说上一局的经验奖励。

R(S,a) 表示这次做action之后获得的经验。

maxQ'(s’,a’) 就是之前那么多次的历史经验的最大值，也就是历史上最有的那次选择。

γ 表示 在采取最好的选择能对这种状态的提升。

α 表示这次学习能学到多少。如果是1 的话就是乐观派，越小表示学习到的越少。

greedy 没在公式内体现，表示多大的概率去探索

4.QLearing实现

1、定义状态：

棋盘的状态，什么地方有什么

2、定义行为：

   上，下，左，右

3、定义奖励：

一块奶酪 = +1

两块奶酪 = +2

一大堆奶酪 = +10（训练结束）

吃到了鼠药 = -10（训练结束）

4、算法公式

Talk is cheap. Show me the code

代码主架构：

  class QLearningTable:   # 初始化   def __init__(self, actions, learning_rate=0.01, reward_decay=0.9, e_greedy=0.9):    # 选行为   def choose_action(self, observation):    # 学习更新参数   def saveAction(self, s, a, r, s_):    # 获得奖励   def getReward(self, state):    

选择action：

 def choose_action(self, observation): def choosAction():   rand = random.randint(0,99)   if rand < 10:       return 随机action   else:       return 在表中选择一个最大奖励的行为

奖励函数:

 def getReward(self, state):   if 奶酪数量 > 0:       return 奶酪数量   elif 吃到老鼠药:       return -10

更新这次经验

 def saveAction(self, state,action,nextState):   reward = getReward(state)   q(state,action) = q(state,action) + a(reward+ r*(max(nextState,a)-q(state,action)))

上面是一些伪代码。只是为了让你看清到底是怎么回事，逻辑架构很清晰了，如果想要具体的实现可以网上搜索一下。网上一堆，最主要公司内网的代码拿不出来，只能这样了，有不理解的可以私聊我。

5.总结：

这种文章好烦，写了好久，费力，算法很简单，那些公式不重要，只要记住，根据历史经验去选择最优的行为，并且保留探索的机会，记表，更新表，表表表。看代码很清楚了。不懂的可以私聊我。

原创不易，求关注。关注公众号：香菜聊游戏，可获去编程资料和游戏源码。

每日一句

山河阔远，人间烟火，无一是你，无一不是你。0521