news 2026/9/3 4:19:17

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 2026/9/2 23:50:48

为什么你的Dify在解析加密PDF时内存飙升?一文定位根本原因

第一章:为什么你的Dify在解析加密PDF时内存飙升?一文定位根本原因当使用 Dify 解析加密 PDF 文件时,部分用户反馈系统内存占用急剧上升,甚至触发 OOM(Out of Memory)错误。这一现象并非由 Dify 本身设计缺陷…

作者头像 李华
网站建设 2026/9/2 1:04:24

【AI框架选型必看】:Dify与Spring AI性能对比背后的真相

第一章:AI框架选型的背景与核心考量在人工智能技术快速发展的背景下,深度学习项目对开发效率、计算性能和部署灵活性提出了更高要求。选择合适的AI框架成为决定项目成败的关键因素之一。不同的框架在设计理念、生态系统支持和硬件兼容性方面存在显著差异…

作者头像 李华
网站建设 2026/9/2 5:07:03

【企业数据防护新标准】:私有化Dify异地多活备份实战指南

第一章:企业数据防护新标准下的挑战与机遇随着《数据安全法》和《个人信息保护法》的全面实施,企业在数据处理、存储与传输过程中面临更严格合规要求。如何在保障业务连续性的同时满足监管标准,成为IT架构设计的核心议题。合规驱动下的技术重…

作者头像 李华
网站建设 2026/9/3 1:15:34

R语言在气象数据分析中的应用(多模型对比与性能评估)

第一章:R语言在气象数据分析中的应用概述R语言作为一种强大的统计计算与数据可视化工具,在气象科学领域得到了广泛应用。其丰富的扩展包生态系统和灵活的数据处理能力,使其成为分析气温、降水、风速等气象时间序列数据的理想选择。研究人员可…

作者头像 李华
网站建设 2026/9/2 10:03:10

【空间转录组分析专家笔记】:R语言实现GO/KEGG/GSVA富集的黄金代码模板曝光

第一章:空间转录组功能富集分析概述空间转录组技术结合了传统转录组测序与组织空间位置信息,能够在保留基因表达空间分布的前提下进行高通量分析。这一技术为研究组织微环境、细胞间相互作用以及疾病局部异质性提供了前所未有的视角。在获得空间基因表达…

作者头像 李华