前一阵研究强化学习，发现中文的资料非常少，实例就更少。于是翻译一篇q学习算法的教程，供需要的人学习。

原文链接：http://mnemstudio.org/path-finding-q-learning-tutorial.htm

正文：

Q学习算法是一种用来解决马尔可夫决策过程中最优化问题的方法。Q学习算法最大的特点是它具有选择瞬时奖励和延迟奖励的能力。在每一步中，agent通过观察状态s的向量，然后选择并执行行动a，随着状态从s转移到s‘，agent能够收到一个强化值r（s， a）。训练的目标是发现一条行动的路径，从而使得整个过程强化值的和最大，也就是从起点到终点间的一条最短路径。

Q学习算法的转移规则表示为以下形式：

Q (state， action) = R(state， action) + gamma * Max[Q(next state， all actions)]

参数gamma的范围是[0，1]，从而保证结果收敛。如果gamma更接近0，agent趋向于只考虑瞬时奖励值，反之如果更接近1，则agent为延迟奖励赋予更大的权重，更侧重于延迟奖励。

Q学习算法的步骤表示如下：

设置gamma以及环境奖励矩阵R；

将矩阵Q初始化为0；

对于每次迭代（episode）：

随机选择一个初始状态；

直到达到目标状态：

从所有可能的行动中选择一个行动；

执行行动到达下一状态；

获取下一状态所有行动中最大的Q值；

利用公式更新Q值；

下面的教程通过一个简单而详细的数值例子介绍Q学习算法的概念。本例描述了一个通过agent利用非监督学习学习未知的环境。对比该例和的源代码，你可能也会发现很有帮助。

假设一个建筑内有的5间房间，房间之间通过门连接，如下图所示。我们为每个房间进行标号，记为0-4。建筑外面也可以认为是一个大的房间（5），注意门1和4均可以到达5。

我们可以用图的形式表示房间的连接情况，每个房间对应一个节点，每扇门对应节点间的弧。

在本例中，我们假设在其中任意一个房间中放置一个agent，然后要求agent从该房间走出该建筑（即目标房间）。换而言之，目标房间就是5。为了把这个房间作为目标，我们需要为每个门关联一些奖励值（节点间的弧）。与目标直接相连的门具有瞬时奖励，值设为100。其他没有直连的门的奖励为0。注意因为门是双向的，因此弧是双向的，弧之间瞬时奖励值如下图所示。

当然，房间5和自己相连，拥有100的奖励值，其它与5直连的房间都有100的奖励值。在Q学习中，目标是以最高的奖励值到达目标状态，因此，如果agent到达了目标，他将永远停留，这种类型的目标称为"absorbing goal"

假设我们的agent是一个能够通过实验学习的“哑巴虚拟机器人”。Agent能够从一个房间到达另一个房间，但是对环境一无所知，而且也不知道哪些门通向外面。

假设我们要为可能处于任意房间的agent建立模型。现在我们假设agent在房间2，我们希望agent能够通过学习达到5。

Q学习中术语包括状态和行为。

我们把0-5每个房间称为状态，把agent从一个房间移动到另一房间称为行为（action），在图中，状态表示一个节点，行为表示一条有向弧。

假设agent在状态2，因为2与3直连，因此可以从状态2可以移动到状态3。从状态2不能直接到状态1因为两者不直连。同理，从状态3可以到状态1或4或者回到2。如果agent在状态4，那么就有3个可能的行为，到0、5或者3。如果agent在状态1，那么可以到5或3，从0只能到达4。

我们可以根据状态间的关系和瞬时奖励值创建矩阵R。

-1表示状态间不直连。例如0不能直接到达1。

现在可以增加一个相似的矩阵Q，它可以看作是agent的“大脑”，表示了agent通过学习环境留下的“记忆”，矩阵Q的行表示agent当前的状态，列表示到达下一状态可能的行为。

在开始时agent对环境一无所知，因此矩阵Q初始化为0。在本例中，为了简单起见，我们假设状态的数量已知，如果状态数量未知，矩阵Q初始化时只有一个元素，如果发现新状态后再添加行和列。

Q学习的转移规则是一个很简单的方程：

Q(state， action) = R(state， action) + Gamma * Max[Q(next state， all actions)]

根据这个方程，一个值被赋予给矩阵Q中一个特定值，它等于R矩阵中对应值的和和学习参数gamma，乘以下一状态中所有行为中Q值最高的值。

虚拟的agent通过经验进行学习，没有老师（称为无监督学习）。Agent从一个状态转移到另一状态不断的探索直到到达目标。我们把每一次探索称为一次迭代（episode）。每一个episode包含agent从初始状态移动到目标状态。每当agent到达目标状态，程序继续下一episode。

Q学习算法步骤如下：

设置gamma参数以及矩阵R；

初始化矩阵Q；

对于每次episode：

随机选择一个初始状态；

目标状态没有到达：

从当前状态的所有行为中选择一个

转移到下一状态；

计算；

将下一状态设为当前状态；

Agent通过以上算法进行学习，每次episode相当于一次训练。在每一次训练中，agent探索环境(矩阵R表示)，接受奖励直到到达目标状态。训练的目的是增强agent的大脑，即矩阵Q。训练越多，Q结果越好。通过这种方式，如果Q被加强了，而不是反复探索，不断回到同一房间，就能快速找到目标状态。

参数gamma的取值范围是0-1，如果gamma趋近于0，则agent趋向于考虑瞬时奖励，如果接近1，则趋向于未来的奖励，延迟奖励。

为了使用矩阵Q，agent仅仅跟踪状态，从初始状态到目标状态。算法能够根据矩阵Q中记录的奖励值为当前状态找到具有最大奖励值的行为。

为了更好理解Q学习算法的工作原理，我们一步一步的进行演示，剩下的步骤可以参考源代码。

首先设置gamma参数=0。8，初始状态为1。

将矩阵Q全部初始化为0。

观察矩阵R的第二行，当前状态有两个行为，到达状态3或者状态5。通过随机的选择，我们选择到达状态5。

现在我们想像下如果agent到达状态5后会发生什么?观察矩阵R的第6行，它有三个行为，到达状态1、4，、5。

Q(state， action) = R(state， action) + Gamma * Max[Q(next state， all actions)]

Q(1， 5) = R(1， 5) + 0.8 * Max[Q(5， 1)， Q(5， 4)， Q(5， 5)] = 100 + 0。8 * 0 = 100

因为矩阵Q初始化为0，Q(5，1)， Q(5，4)Q(5，5)的值都为0。Q(1，5)的计算结果为100因为矩阵R中R(5，1)的瞬时奖励为100。

下一状态5，成为当前状态。因为5是目标状态，我们结束一次episode。更新后的矩阵Q为：

下一个episode，我们随机选择一个初始状态。这一次我们选择状态3

观察矩阵R的第4行，它有三个行为，到达状态1，2或4。通过随机选择，我们到达状态1

现在假设到达状态1，观察矩阵R的第二行，它有两个行为，到达状态3或5，接下来计算Q值

Q(state， action) = R(state， action) + Gamma * Max[Q(next state， all actions)]

Q(1， 5) = R(1， 5) + 0。8 * Max[Q(1， 2)， Q(1， 5)] = 0 + 0。8 * Max(0， 100) = 80

我们用更新过的矩阵Q进行计算。Q(1，3)=0Q(1，5)=100。Q(3，1)的结果=80因为奖励为0。矩阵Q变为:

 此时状态1成为当前状态，我们重复Q算法的内循环因为状态1不是目标状态。

开始新的循环，状态1有两个行为，到达状态3或者5，很幸运，我们选择状态5。

现在假设在状态5，5有三个行为，1，4，5。我们利用这三个行为中最大的奖励值更新矩阵Q。

Q(state， action) = R(state， action) + Gamma * Max[Q(next state， all actions)]

Q(1， 5) = R(1， 5) + 0.8 * Max[Q(5， 1)， Q(5， 4)， Q(5， 5)] = 100 + 0。8 * 0 = 100 

更新后的矩阵Q，Q(5，1)， Q(5，4) Q(5，5)全部为0，Q(1，5)的计算结果为100因为矩阵R中R(5，1)的瞬时奖励为100。

因为5是目标状态，我们结束这次episode，矩阵Q更新为：

如果agent不断地学习，矩阵Q最终会收敛，如下图所示。

接下来可以对矩阵Q进行标准化

一旦矩阵Q趋于收敛，我们知道agent学到了到达目标状态的最优路径。跟踪最优状态的序列和弧就可以得到最高的奖励值。

例如，从初始状态2，agent以矩阵Q为指导；

从状态2，最大Q值指向状态3；

状态3，最大Q指指向1或4，假设随机选择1。

从状态1最大Q值指向状态5；

因此序列为2-3-1-5。

例1

Q Matrix values:

0， 0， 0， 0， 396， 0，

0， 0， 0， 316， 0， 496，

0， 0， 0， 316， 0， 0，

0， 396， 252， 0， 396， 0，

316， 0， 0， 316， 0， 496，

0， 396， 0， 0， 396， 496，

Shortest routes from initial states:

1， 5

3， 1， 5

5， 5

2， 3， 1， 5

4， 5

0， 4， 5

例2 例2和例1相比，仅仅增加了节点。类似的代码，少量的优化

Shortest routes from initial states:

1， 0， 4， 8， 9， 5， 6， 2， 3， 7， 11， 15

3， 7， 11， 15

5， 6， 2， 3， 7， 11， 15

2， 3， 7， 11， 15

4， 8， 9， 5， 6， 2， 3， 7， 11， 15

0， 4， 8， 9， 5， 6， 2， 3， 7， 11， 15