强化学习部分代码的注释分析
引言
对一些代码块进行注释。我直接复制过来的，不能运行的话别怪我。
多臂赌博机
代码来自链接。欢迎回到原来的链接学习。
%I thought what I'd do was I'd pretend I was one of those deaf-mutes，or should I ?clear all;
epsilon=[0.5,0.2,0.1,0.02,0.005]; %epsilon概率进行探索（exploration），1-epsilon概率进行利用(exploitation)
m=5; 表示一共有5种情况T=10000; 表示一共运行1万次
%决策机内存初始化
Avegain=zeros(m,5); % 每种情况，标记当下每一个摇臂的中奖概率
Testtime=zeros(m,5); % 每种情况下，标记每一个实验摇臂的实验次数
Reward=zeros(5,T); % 奖励for k=1:mfor i=1:Tif rand(1)<=epsilon(k) %探索num=unidrnd(5); %随机生成最大为5的正整数，随机选择摇臂else %利用a=findmax(Avegain(k,:)); % 自主建立函数，选择在当前情况下最大中奖概率的摇臂num=a(2);%选择平均奖赏最大的摇臂。因为是自建函数，这个应该是返回摇臂的序号endr=Slotmachine5(num);% 自建函数，拉下摇杆，获得回报。if i==1 %更新累计奖赏Reward(k,i)=r;elseReward(k,i)=(Reward(k,i-1)*(i-1)+r)/i;end Avegain(k,num)=(Avegain(k,num)*Testtime(k,num)+r)/(Testtime(k,num)+1); %更新所选臂的平均奖赏Testtime(k,num)=Testtime(k,num)+1; %更新所选臂的实验次数end
end
result.Testtime=Testtime;
result.Avegain=Avegain;
result.Reward=Reward;
plot(1:10000,Reward);
xlabel('测试次数');
ylabel('平均累计奖赏');
legend('ε=0.5','ε=0.2','ε=0.1','ε=0.02','ε=0.005');
剩下的我相信大家都已经懂了。这就是相信的力量。
风场中的Q-learning
风场中的Q-learning源自网址：
%I thought what I'd do was I'd pretend I was one of those deaf-mutes, or should I?clear all;%风速初始化
Windyworld.windx=zeros(7,10);
Windyworld.windy=zeros(7,10);
Windyworld.windy(:,4:9)=Windyworld.windy(:,4:9)+1; % 定义风速向量（在4-9之间为x=0, y=1）targetxy=[6,8]; %!!注意：第一个坐标为y坐标，第二个坐标为x坐标 终点坐标alpha=0.5;
gamma=0.99;
Tloop=6000; %总学习循环次数
mark=zeros(1,Tloop); %记录是否成功%迭代为二重时间循环
Q_func=zeros(7,10,4); %!!三维值函数矩阵：（z=1：+x）（z=2：-x）（z=3：+y）（z=4：-y） 初始化定义Q表格
Q_func(:,:,1)=0.2; %size(B),ndims(B)
Q_func(targetxy(1),targetxy(2),:)=0; %目标值的所有Q函数始终为0for Ts=1:Tloop %Ts=study time%单次运动初始化rolexy=[4,1]; % 初始化出发result(Ts).Q_func=zeros(7,10,4); % result(Ts).trace=zeros(40,3);result(Ts).trace(1,:)=([1,rolexy(1),rolexy(2)]);for Tm=1:40% 按照策略获得到达下一步的动作。这其中包括智能体选择动作的ε-greedy策略，函数名tcegreedy，Ts为训练次数，Q_func(rolexy(1),rolexy(2),:)为当下Q表格的内容；act=tcegreedy(Ts,Q_func(rolexy(1),rolexy(2),:));% 智能体在风的影响下运动，函数名movement；输入参数包括，选择的动作act，当下的位置rolexy以及风速运行的方位Windyworldnextxy=movement(act,rolexy,Windyworld);%TD算法进行策略值迭代%计算reward% 计算，如果到达目标则返回奖励；超出边界则返回惩罚，没有超出边界且没到达目标则返回0奖励 if nextxy(1)==targetxy(1)&&nextxy(2)==targetxy(2) %到达目标reward=5;else if nextxy(1)<1||nextxy(1)>7||nextxy(2)<1||nextxy(2)>10 %超出边界reward=-1;elsereward=0;end %reward不考虑超出步数的问题end%计算下一步的策略函数最大值%Qlearning方式进行Q函数更新，更新Q值中所用的s'状态下动作与实际在s'状态下做出动作不一定相同（因为e-greedy的存在）if nextxy(1)<1||nextxy(1)>7||nextxy(2)<1||nextxy(2)>10 %超出边界Q1=0;elseQ1=max(Q_func(nextxy(1),nextxy(2),:));endQ_func(rolexy(1),rolexy(2),act)=(1-alpha)*Q_func(rolexy(1),rolexy(2),act)+alpha*(reward+gamma*Q1);%更新坐标rolexy=nextxy;result(Ts).trace(Tm+1,:)=([Tm+1,rolexy(1),rolexy(2)]);%判断是否跳出本episodeif rolexy(1)==targetxy(1)&&rolexy(2)==targetxy(2)mark(Ts)=1; % 如果到达目标，则返回成功标记break;else if rolexy(1)<1||rolexy(1)>7||rolexy(2)<1||rolexy(2)>10break; % 否则出界，直接退出endend endresult(Ts).Q_func=Q_func;
endAvegain=zeros(1,Tloop);
for i=1:TloopAvegain(i)=sum(mark(1:i))/i; % 返回不同时期的成功概率
end