1. 隨機(jī)搜索策略

在本節(jié)中，我們將學(xué)習(xí)一種比隨機(jī)選擇動(dòng)作更復(fù)雜的策略來(lái)解決 CartPole 問(wèn)題——隨機(jī)搜索策略。

一種簡(jiǎn)單但有效的方法是將智能體對(duì)環(huán)境的觀測(cè)值映射到代表兩個(gè)動(dòng)作的二維向量，然后我們選擇值較高的動(dòng)作執(zhí)行。映射函數(shù)使用權(quán)重矩陣描述，權(quán)重矩陣的形狀為 4 x 2，因?yàn)樵贑arPole環(huán)境中狀態(tài)是一個(gè) 4 維向量，而動(dòng)作有 2 個(gè)可能值。在每個(gè)回合中，首先隨機(jī)生成權(quán)重矩陣，并用于計(jì)算此回合中每個(gè)步驟的動(dòng)作，并在回合結(jié)束時(shí)計(jì)算總獎(jiǎng)勵(lì)。重復(fù)此過(guò)程，最后將能夠得到最高總獎(jiǎng)勵(lì)的權(quán)重矩陣作為最終的動(dòng)作選擇策略。由于在每個(gè)回合中我們均會(huì)隨機(jī)選擇權(quán)重矩陣，因此稱這種方法為隨機(jī)搜索，期望通過(guò)在多個(gè)回合的測(cè)試中找到最佳權(quán)重。

2. 使用 PyTorch 實(shí)現(xiàn)隨機(jī)搜索算法

在本節(jié)中，我們使用 PyTorch 實(shí)現(xiàn)隨機(jī)搜索算法。

首先，導(dǎo)入 Gym 和 PyTorch 以及其他所需庫(kù)，并創(chuàng)建一個(gè) CartPole 環(huán)境實(shí)例：

import gym
import torch
from matplotlib import pyplot as plt
env = gym.make('CartPole-v0')

獲取并打印狀態(tài)空間和行動(dòng)空間的尺寸：

n_state = env.observation_space.shape[0]
print(n_state)
# 4
n_action = env.action_space.n
print(n_action)
# 2

當(dāng)我們?cè)谥蠖x權(quán)重矩陣時(shí)，將會(huì)使用這些尺寸，即權(quán)重矩陣尺寸為 (n_state, n_action) = (4 x 2)。

接下來(lái)，定義函數(shù)用于使用給定輸入權(quán)重模擬 CartPole 環(huán)境的一個(gè)游戲回合并返回此回合中的總獎(jiǎng)勵(lì)：

def run_episode(env, weight):
    state = env.reset()
    total_reward = 0
    is_done = False
    while not is_done:
        state = torch.from_numpy(state).float()
        action = torch.argmax(torch.matmul(state, weight))
        state, reward, is_done, _ = env.step(action.item())
        total_reward += reward
    return total_reward

在以上代碼中，我們首先將狀態(tài)數(shù)組 state 轉(zhuǎn)換為浮點(diǎn)型張量，然后計(jì)算狀態(tài)數(shù)組和權(quán)重矩陣張量的乘積 torch.matmul(state, weight)，以將狀態(tài)數(shù)組進(jìn)行映射映射為動(dòng)作數(shù)組，使用 torch.argmax() 操作選擇值較高的動(dòng)作，例如值為 [0.122, 0.333]，則應(yīng)選擇動(dòng)作 1。然后使用 item() 方法獲取操作結(jié)果值，因?yàn)榇颂幍?nbsp;step() 方法需要接受單元素張量，獲取新的狀態(tài)和獎(jiǎng)勵(lì)。重復(fù)以上過(guò)程，直到回合結(jié)束。

指定回合數(shù)，并初始化變量用于記錄最佳總獎(jiǎng)勵(lì)和相應(yīng)權(quán)重矩陣，并初始化數(shù)組用于記錄每個(gè)回合的總獎(jiǎng)勵(lì)：

n_episode = 1000
best_total_reward = 0
best_weight = None
total_rewards = []

接下來(lái)，我們運(yùn)行 n_episode 個(gè)回合，在每個(gè)回合中，執(zhí)行以下操作：

• 構(gòu)建隨機(jī)權(quán)重矩陣
• 智能體根據(jù)權(quán)重矩陣將狀態(tài)映射到相應(yīng)的動(dòng)作
• 回合終止并返回總獎(jiǎng)勵(lì)
• 更新最佳總獎(jiǎng)勵(lì)和最佳權(quán)重，并記錄總獎(jiǎng)勵(lì)

for e in range(n_episode):
    weight = torch.rand(n_state, n_action)
    total_reward = run_episode(env, weight)
    print('Episode {}: {}'.format(e+1, total_reward))
    if total_reward > best_total_reward:
        best_weight = weight
        best_total_reward = total_reward
    total_rewards.append(total_reward)

運(yùn)行 1000 次隨機(jī)搜索獲得最佳策略，最佳策略由 best_weight 參數(shù)化。在測(cè)試最佳策略之前，我們可以計(jì)算通過(guò)隨機(jī)搜索獲得的平均總獎(jiǎng)勵(lì)：

print('Average total reward over {} episode: {}'.format(n_episode, sum(total_rewards) / n_episode))
# Average total reward over 1000 episode: 46.722

可以看到，對(duì)比使用隨機(jī)動(dòng)作獲得的結(jié)果 (22.19)，使用隨機(jī)搜索獲取的總獎(jiǎng)勵(lì)是其兩倍以上。

接下來(lái)，我們使用隨機(jī)搜索得到的最佳權(quán)重矩陣，在 1000 個(gè)新的回合中測(cè)試其表現(xiàn)如何：

n_episode_eval = 1000
total_rewards_eval = []
for episode in range(n_episode_eval):
    total_reward = run_episode(env, best_weight)
    print('Episode {}: {}'.format(episode+1, total_reward))
    total_rewards_eval.append(total_reward)

print('Average total reward over {} episode: {}'.format(n_episode_eval, sum(total_rewards_eval) / n_episode_eval))
# Average total reward over 1000 episode: 114.786

隨機(jī)搜索算法的效果能夠獲取較好結(jié)果的主要原因是 CartPole 環(huán)境較為簡(jiǎn)單。它的觀察狀態(tài)數(shù)組僅由四個(gè)變量組成。而在 Atari Space Invaders 游戲中的觀察值超過(guò) 100000 (即 210 \times 160 \times 3210×160×3)。同樣 CartPole 中動(dòng)作狀態(tài)的維數(shù)也僅僅為 2。通常，使用簡(jiǎn)單算法可以很好地解決簡(jiǎn)單問(wèn)題。

我們也可以注意到，隨機(jī)搜索策略的性能優(yōu)于隨機(jī)選擇動(dòng)作。這是因?yàn)殡S機(jī)搜索策略將智能體對(duì)環(huán)境的當(dāng)前狀態(tài)考慮在內(nèi)。有了關(guān)于環(huán)境的相關(guān)信息，隨機(jī)搜索策略中的動(dòng)作就可以比完全隨機(jī)的選擇動(dòng)作更加智能。

我們還可以在訓(xùn)練和測(cè)試階段繪制每個(gè)回合的總獎(jiǎng)勵(lì)：

plt.plot(total_rewards, label='search')
plt.plot(total_rewards_eval, label='eval')
plt.xlabel('episode')
plt.ylabel('total_reward')
plt.legend()
plt.show()

可以看到，每個(gè)回合的總獎(jiǎng)勵(lì)是非常隨機(jī)的，并且并沒(méi)有因?yàn)榛睾蠑?shù)的增加顯示出改善的趨勢(shì)。在訓(xùn)練過(guò)程中，可以看到在實(shí)現(xiàn)前期有些回合的總獎(jiǎng)勵(lì)已經(jīng)可以達(dá)到 200，由于智能體的策略并不會(huì)因?yàn)榛睾蠑?shù)的增加而改善，因此我們可以在回合總獎(jiǎng)勵(lì)達(dá)到 200 時(shí)結(jié)束訓(xùn)練：

n_episode = 1000
best_total_reward = 0
best_weight = None
total_rewards = []
for episode in range(n_episode):
    weight = torch.rand(n_state, n_action)
    total_reward = run_episode(env, weight)
    print('Episode {}: {}'.format(episode+1, total_reward))
    if total_reward > best_total_reward:
        best_weight = weight
        best_total_reward = total_reward
    total_rewards.append(total_reward)
    if best_total_reward == 200:
        break

由于每回合的權(quán)重都是隨機(jī)生成的，因此獲取最大獎(jiǎng)勵(lì)的策略出現(xiàn)的回合也并不確定。要計(jì)算所需訓(xùn)練回合的期望，可以重復(fù)以上訓(xùn)練過(guò)程 1000 次，并取訓(xùn)練次數(shù)的平均值作為期望：

n_training = 1000
n_episode_training = []
for _ in range(n_training):
    for episode in range(n_episode):
        weight = torch.rand(n_state, n_action)
        total_reward = run_episode(env, weight)
        if total_reward == 200:
            n_episode_training.append(episode+1)
            break
print('Expectation of training episodes needed: ', sum(n_episode_training) / n_training)
# Expectation of training episodes needed:  14.26

可以看到，平均而言，我們預(yù)計(jì)大約需要 14 個(gè)回合才能找到最佳策略。

到此這篇關(guān)于使用PyTorch實(shí)現(xiàn)隨機(jī)搜索策略的文章就介紹到這了,更多相關(guān)PyTorch隨機(jī)搜索內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論