news 2026/8/29 20:54:39

强化学习DeepQLearning求最优策略的代码实现

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
强化学习DeepQLearning求最优策略的代码实现

理论基础:

可运行代码:

import numpy as np import torch from torch import nn from torch.utils import data from env import GridWorldEnv from utils import drow_policy class DeepQLearning(object): def __init__(self, env: GridWorldEnv, gamma=0.9): self.env = env self.action_space_size = self.env.num_actions self.state_space_size = self.env.num_states self.gamma = gamma self.policy = np.ones((self.state_space_size, self.action_space_size)) / self.action_space_size self.net = nn.Sequential( nn.Linear(2, 16), nn.ReLU(), nn.Linear(16, self.action_space_size) ) self.target_net = nn.Sequential( nn.Linear(2, 16), nn.ReLU(), nn.Linear(16, self.action_space_size) ) self.target_net.load_state_dict(self.net.state_dict()) self.optimizer = torch.optim.SGD(self.net.parameters(), lr=0.01, momentum=0.9) self.loss = nn.MSELoss() def data_iter(self, episode, batch_size=32, is_train=True): reward = [] state = [] action = [] next_state = [] for s, a, r, next_s in episode: reward.append(r) state.append((s // self.env.size, s % self.env.size)) # 有空间位置 next_state.append((next_s // self.env.size, next_s % self.env.size)) action.append(a) reward = torch.tensor(reward, dtype=torch.float32) state = torch.tensor(state, dtype=torch.float32) next_state = torch.tensor(next_state, dtype=torch.float32) action = torch.tensor(action, dtype=torch.long) data_arrays = (state, action, reward, next_state) dataset = data.TensorDataset(*data_arrays) return data.DataLoader(dataset, batch_size=batch_size, shuffle=is_train, drop_last=False) def solve(self, epochs, update_frep): s = self.env.reset() a = np.random.choice(self.action_space_size, p=self.policy[s]) episodes = [] for _ in range(self.action_space_size * self.state_space_size + 1): episode = self.env.generate_episodes(self.policy, s, a, max_steps=1000) episodes.extend(episode) dataloader = self.data_iter(episodes) step = 0 for epoch in range(epochs): for state, action, reward, next_state in dataloader: step += 1 with torch.no_grad(): q_value = self.target_net(next_state) # [B,N] max_q = q_value.max(dim=1).values y_target = reward + self.gamma * max_q # [B,] y = self.net(state) y_ = y.gather(1, action.unsqueeze(1)).squeeze(1) l = self.loss(y_target, y_) self.optimizer.zero_grad() l.backward() self.optimizer.step() if step % update_frep == 0: self.target_net.load_state_dict(self.net.state_dict()) def get_policy(self): for s in range(self.state_space_size): if s in self.env.terminal: self.policy[s, 4] = 1 break s_t = torch.tensor((s // self.env.size, s % self.env.size), dtype=torch.float32) q_value = self.net(s_t) a = q_value.argmax(dim=0).item() self.policy[s] = 0 self.policy[s, a] = 1 return self.policy if __name__ == '__main__': env = GridWorldEnv( size=5, forbidden=[(1, 2), (3, 3)], terminal=[(4, 4)], r_boundary=-1, r_other=0, r_terminal=1, r_forbidden=-1, r_stay=-0.1 ) # 注意samples要大一点,否则每个state被访问到的概率很小 vi = DeepQLearning(env=env, gamma=0.8) vi.solve(epochs=50, update_frep=20) policy = vi.get_policy() print(policy) drow_policy(policy, env)
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/8/30 3:32:34

揭秘Dify Tesseract热更新机制:如何实现零停机版本迭代

第一章:Dify Tesseract热更新机制概述Dify Tesseract 是一款面向分布式服务架构的动态配置管理与热更新框架,专注于在不重启服务的前提下实现配置、规则及部分业务逻辑的实时生效。其核心设计理念是低侵入性、高可用性和强一致性,适用于对系统…

作者头像 李华
网站建设 2026/8/30 7:42:55

日志分析效率提升80%,私有化Dify运维高手都在用的3种方法

第一章:私有化Dify日志分析的挑战与价值 在企业级AI应用部署中,Dify作为一款支持可编程逻辑与可视化编排的低代码平台,其私有化部署已成为保障数据安全与合规性的主流选择。然而,随着系统规模扩大,日志数据的复杂性急剧…

作者头像 李华
网站建设 2026/8/29 17:59:12

texstudio导出的 pdf 论文文件太大如何有效压缩

windows 操作系统电脑上下载 ghostscript,命令行窗口中使用如下 gs 命令压缩 gswin64c -sDEVICEpdfwrite -dCompatibilityLevel1.4 ^ -dPDFSETTINGS/printer ^ -dNOPAUSE -dQUIET -dBATCH ^ -sOutputFilethesis_compressed.pdf nputhesis_1216.pdf其中 -sOutputFile…

作者头像 李华
网站建设 2026/8/29 3:25:52

适用于新手的软文营销“三步法”,精准锁定目标客户

在信息冗余的传播环境中,软文营销面临着触达效率的严峻挑战。许多内容未能实现预期效果,其症结往往不在于质量,而在于策略的精准度。对于营销新手而言,掌握一套系统性的聚焦方法,比单纯追求产量更为重要。有效的软文营…

作者头像 李华
网站建设 2026/8/30 4:35:58

单细胞测序数据分析的10个关键步骤(R语言实现全解析)

第一章:单细胞测序技术概述单细胞测序技术(Single-cell sequencing)是近年来基因组学领域的重要突破,它能够在单个细胞水平上解析基因表达、表观遗传状态及基因组变异,从而揭示组织内部的细胞异质性。与传统批量测序&a…

作者头像 李华