Deep Q-Network 学习笔记（二）—— Q-Learning与神经网络结合使用（有代码实现）

参考资料：

https://morvanzhou.github.io/

非常感谢莫烦老师的教程

 

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

http://www.cnblogs.com/dragonir/p/6224313.html

这篇文章也是用非常简单的说明将 Q-Learning 的过程给讲解清楚了

 

http://www.cnblogs.com/jinxulin/tag/%E5%A2%9E%E5%BC%BA%E5%AD%A6%E4%B9%A0/

还有感谢这位园友，将增强学习的原理讲解的非常清晰

 

深度增强学习（DRL）漫谈 - 从DQN到AlphaGo

这篇文章详细描写了 DQN 的演变过程，建议先看看 

 

目录：

Deep Q-Network 学习笔记（一）—— Q-Learning

Deep Q-Network 学习笔记（二）—— Q-Learning与神经网络结合使用

 

这里将使用 tensorflow 框架重写上一篇的示例。

一、思路

Q-Learning与神经网络结合使用就是 Deep Q-Network，简称 DQN。在现实中，状态的数量极多，并且需要人工去设计特征，而且一旦特征设计不好，则得不到想要的结果。

神经网络正是能处理解决这个问题，取代原来 Q 表的功能。

当神经网络与Q-Learning结合使用的时候，又会碰到几个问题：

1.loss 要怎么计算？

增强学习是试错学习(Trail-and-error)，由于没有直接的指导信息，智能体要以不断与环境进行交互，通过试错的方式来获得最佳策略。

Q-Learning正是其中的一种，所以Q值表中表示的是当前已学习到的经验。而根据公式计算出的 Q 值是智能体通过与环境交互及自身的经验总结得到的一个分数（即：目标 Q 值）。

最后使用目标 Q 值(target_q)去更新原来旧的 Q 值(q)。

而目标 Q 值与旧的 Q 值的对应关系，正好是监督学习神经网络中结果值与输出值的对应关系。

所以，loss = (target_q - q)^2

即：整个
4000
训练过程其实就是 Q 值(q)向目标 Q 值(target_q)逼近的过程。

2.训练样本哪来？

在 DQN 中有 Experience Replay 的概念，就是经验回放。

就是先让智能体去探索环境，将经验（记忆）池累积到一定程度，在随机抽取出一批样本进行训练。

为什么要随机抽取？因为智能体去探索环境时采集到的样本是一个时间序列，样本之间具有连续性，如果每次得到样本就更新Q值，受样本分布影响，会对收敛造成影响。

从现在开始，一定要理清楚算法的所有思路，比如什么时候该做什么，怎么随机选择动作，神经网络的参数是否调试完成等等，各种问题调试都没结果的，就因为这个卡在这里大半个星期才搞定。

二、模拟流程

1.随机初始化一个状态 s，初始化记忆池，设置观察值。

2.循环遍历（是永久遍历还是只遍历一定次数这个自己设置）：

  （1）根据策略选择一个行为（a）。

  （2）执行该行动(a)，得到奖励（r）、执行该行为后的状态 s`和游戏是否结束 done。

  （3）保存 s, a, r, s`, done 到记忆池里。

  （4）判断记忆池里的数据是否足够（即：记忆池里的数据数量是否超过设置的观察值），如果不够，则转到（5）步。

         ① 在记忆池里随机抽取出一部分数据做为训练样本。

         ② 将所有训练样本的 s`做为神经网络的输入值，进行批量处理，得到 s`状态下每个行为的 q 值的表。

         ③ 根据公式计算出 q 值表对应的 target_q 值表。

             公式：Q(s, a) = r + Gamma * Max[Q(s`, all actions)]

         ④ 使用 q 与 target_q 训练神经网络。

  （5）判断游戏是否结束。

         ① 游戏结束，给 s 随机设置一个状态。

         ① 未结束，则当前状态 s 更新为 s`。

三、代码实现

首先，创建一个类来实现 DQN。

import tensorflow as tf
import numpy as np
from collections import deque
import random

class DeepQNetwork:
r = np.array([[-1, -1, -1, -1, 0, -1],
[-1, -1, -1, 0, -1, 100.0],
[-1, -1, -1, 0, -1, -1],
[-1, 0, 0, -1, 0, -1],
[0, -1, -1, 1, -1, 100],
[-1, 0, -1, -1, 0, 100],
])

# 执行步数。
step_index = 0

# 状态数。
state_num = 6

# 动作数。
action_num = 6

# 训练之前观察多少步。
OBSERVE = 1000.

# 选取的小批量训练样本数。
BATCH = 20

# epsilon 的最小值，当 epsilon 小于该值时，将不在随机选择行为。
FINAL_EPSILON = 0.0001

# epsilon 的初始值，epsilon 逐渐减小。
INITIAL_EPSILON = 0.1

# epsilon 衰减的总步数。
EXPLORE = 3000000.

# 探索模式计数。
epsilon = 0

# 训练步数统计。
learn_step_counter = 0

# 学习率。
learning_rate = 0.001

# γ经验折损率。
gamma = 0.9

# 记忆上限。
memory_size = 5000

# 当前记忆数。
memory_counter = 0

# 保存观察到的执行过的行动的存储器，即：曾经经历过的记忆。
replay_memory_store = deque()

# 生成一个状态矩阵（6 X 6），每一行代表一个状态。
state_list = None

# 生成一个动作矩阵。
action_list = None

# q_eval 网络。
q_eval_input = None
action_input = None
q_target = None
q_eval = None
predict = None
loss = None
train_op = None
cost_his = None
reward_action = None

# tensorflow 会话。
session = None

def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000):
self.learning_rate = learning_rate
self.gamma = gamma
self.memory_size = memory_size

# 初始化成一个 6 X 6 的状态矩阵。
self.state_list = np.identity(self.state_num)

# 初始化成一个 6 X 6 的动作矩阵。
self.action_list = np.identity(self.action_num)

# 创建神经网络。
self.create_network()

# 初始化 tensorflow 会话。
self.session = tf.InteractiveSession()

# 初始化 tensorflow 参数。
self.session.run(tf.initialize_all_variables())

# 记录所有 loss 变化。
self.cost_his = []

def create_network(self):
"""
创建神经网络。
:return:
"""
pass

def select_action(self, state_index):
"""
根据策略选择动作。
:param state_index: 当前状态。
:return:
"""
pass

def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
"""
保存记忆。
:param current_state_index: 当前状态 index。
:param current_action_index: 动作 index。
:param current_reward: 奖励。
:param next_state_index: 下一个状态 index。
:param done: 是否结束。
:return:
"""
pass

def step(self, state, action):
"""
执行动作。
:param state: 当前状态。
:param action: 执行的动作。
:return:
"""
pass

def experience_replay(self):
"""
记忆回放。
:return:
"""
pass

def train(self):
"""
训练。
:return:
"""
pass

def pay(self):
"""
运行并测试。
:return:
"""
pass

if __name__ == "__main__":
q_network = DeepQNetwork()
q_network.pay()

 

1.将状态与动作初始化成以下矩阵，以方便处理。



            图 3.1

 

 四、创建神经网络

然后，创建一个神经网络，并使用该神经网络来替换掉 Q 值表（上一篇中的 Q 矩阵）

神经网络的输入是 Agent 当前的状态，输出是
Agent 当前状态可以执行的动作的 Q 值表。

由于总共有 6 个状态和 6 种动作，所以，这里将创建一个简单 3 层的神经网络，输入层的参数是 6 个和输出层输出 6 个值，运行并调试好参数，确认能正常运行。

 测试代码：

import tensorflow as tf
import numpy as np

input_num = 6
output_num = 6
x_data = np.linspace(-1, 1, 300).reshape((-1, input_num))  # 转为列向量

noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) + 0.5 + noise

xs = tf.placeholder(tf.float32, [None, input_num])  # 样本数未知，特征数为 6，占位符最后要以字典形式在运行中填入
ys = tf.placeholder(tf.float32, [None, output_num])

neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([input_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(xs, w1) + b1)

neuro_layer_2 = output_num
w2 = tf.Variable(tf.random_normal([neuro_layer_1, neuro_layer_2]))
b2 = tf.Variable(tf.zeros([1, neuro_layer_2]) + 0.1)
l2 = tf.matmul(l1, w2) + b2

# reduction_indices=[0] 表示将列数据累加到一起。
# reduction_indices=[1] 表示将行数据累加到一起。
loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys - l2)), reduction_indices=[1]))

# 选择梯度下降法
train = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# train = tf.train.AdamOptimizer(1e-1).minimize(loss)

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(100000):
sess.run(train, feed_dict={xs: x_data, ys: y_data})
if i % 1000 == 0:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

执行后 loss 一直持续减少，确认该神经网络正常运行就行了，注意调好学习率和神经网络的层数及神经元个数。

 


确认正常后，开始实现 DeepQNetwork 类中的 def create_network(self) 函数：

def create_network(self):
"""
创建神经网络。
:return:
"""
self.q_eval_input = tf.placeholder(shape=[None, self.state_num], dtype=tf.float32)
self.action_input = tf.placeholder(shape=[None, self.action_num], dtype=tf.float32)
self.q_target = tf.placeholder(shape=[None], dtype=tf.float32)

neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([self.state_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)

w2 = tf.Variable(tf.random_normal([neuro_layer_1, self.action_num]))
b2 = tf.Variable(tf.zeros([1, self.action_num]) + 0.1)
self.q_eval = tf.matmul(l1, w2) + b2

# 取出当前动作的得分。
self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)
self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))
self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)

self.predict = tf.argmax(self.q_eval, 1)

这里说明一下 loss 的计算，由于状态是根据图 3.1 的矩阵的方式显示的，比如，当前状态如果是在 1 号房间，

则输入参数（q_eval_input）的值是：[[0, 1, 0, 0, 0, 0]]

由于 Agent 执行了动作 3，也就是移动到了 3 号房间，

所以 Agent 的动作参数（action_input）的值是：[[0, 0, 0, 1, 0, 0]]

因为神经网络的输出结果（q_eval）是 Agent 当前状态下可执行的动作的价值，由于每个状态都有 6 个动作，而状态数也是 6 个，所以

神经网络的输出结果（q_eval）与输入参数是一样的，所以输出的格式也一样，

假设输出结果（q_eval）是：[[0.81, 0.5, 0.24, 0.513, 0.9, 0.71]]

tf.multiply(self.q_eval, self.action_input)

就是矩阵的点积，也就是每个元素分别相乘。

这里表示的就是获得 Agent 执行了 action_input 的价值（Q 值）。

也就是 q = q_eval * action_input = [[0, 0, 0,
0.513, 0, 0]]

所以：

self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)

也就相当于：q = SUM(q_eval * action_input) = SUM([[0, 0, 0, 0.513, 0, 0, 0]]) =
0.513

即：Agent 在 1 号房间执行移动到 3 号房间动作时，神经网络给出的价值（q 值）是
0.513 分

而 q_target 在前面也提过，是 Agent 经过环境体验后，根据公式计算出来的目标 q 值，假设该值是
1.03 分

所以：

self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))

就相当于：

loss = ((1.03 - 0.513)^2) / 1 = 0.267289

然后，learning_rate 也就是学习率，经过调试，这里是设置成 0.001 比较好。

五、搜索动作策略

这里是 DQN 需要注意的地方之一，这里的方法将直接影响到 DQN 是否可以收敛，或者是否是陷入局部最小值等情况。

现在在这里选择了最直接的方法，使用随机的方式来选择行动。

使用选择的方式来选择行动，可以让 Agent 能得到更多的探索机会，这样在训练时才能有效的跳出陷入局部最小值的情况，当训练时，可以减少探索机会。

流程如下：

    1.初始化 epsilon 变量，并设置它的最小值（FINAL_EPSILON）与最大值（INITIAL_EPSILON），并将 epsilon 的初始值设置成 INITIAL_EPSILON。

    2.随机生成一个数 n。

    3.判断 n 是否小于 epsilon，如果 n 小于 epsilon 则转到 4，否则转到 5。

    4.使用随机策略（增加探索机会）。

       随机选择一个在 Agent 当前状态下可以执行的动作。

    5.使用神经网络直接计算出结果（实际应用时也是应用这方法）。

       神经网络会输出在当前状态下所有动作的 Q 值，选择其中最有价值（Q 值最大）的动作返回。

    6.判断是否开始训练，如果是，则逐步减少 epsilon 来减少探索机会，否则跳过。

 

开始实现 DeepQNetwork 类中的 def select_action(self, state_index) 函数：

def select_action(self, state_index):
"""
根据策略选择动作。
:param state_index: 当前状态。
:return:
"""
current_state = self.state_list[state_index:state_index + 1]

if np.random.uniform() < self.epsilon:
current_action_index = np.random.randint(0, self.action_num)
else:
actions_value = self.session.run(self.q_eval, feed_dict={self.q_eval_input: current_state})
action = np.argmax(actions_value)
current_action_index = action

# 开始训练后，在 epsilon 小于一定的值之前，将逐步减小 epsilon。
if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON:
self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLORE

return current_action_index

 

六、保存记忆

 这里使用了一个先进先出的队列，设置好队列的 size，直接将“当前状态”、“执行动作”、“奖励分数”、“下一个状态”和“游戏是否结束”保存进去就行了。

 开始实现 DeepQNetwork 类中的 def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done) 函数：

def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
"""
保存记忆。
:param current_state_index: 当前状态 index。
:param current_action_index: 动作 index。
:param current_reward: 奖励。
:param next_state_index: 下一个状态 index。
:param done: 是否结束。
:return:
"""
current_state = self.state_list[current_state_index:current_state_index + 1]
current_action = self.action_list[current_action_index:current_action_index + 1]
next_state = self.state_list[next_state_index:next_state_index + 1]
# 记忆动作(当前状态， 当前执行的动作， 当前动作的得分，下一个状态)。
self.replay_memory_store.append((
current_state,
current_action,
current_reward,
next_state,
done))

# 如果超过记忆的容量，则将最久远的记忆移除。
if len(self.replay_memory_store) > self.memory_size:
self.replay_memory_store.popleft()

self.memory_counter += 1

 

七、执行动作

这里就是取得游戏是否结束状态，动作奖励和下一个状态并返回就可以了。

开始实现 DeepQNetwork 类中的 def step(self, state, action) 函数：

def step(self, state, action):
"""
执行动作。
:param state: 当前状态。
:param action: 执行的动作。
:return:
"""
reward = self.r[state][action]

next_state = action

done = False

if action == 5:
done = True

return next_state, reward, done

 

八、记忆回放

 这是 DQN 的重点之一，在记忆池里随机抽取出一小批的数据当做训练样本，并计算出目标 Q 值来训练神经网络。

流程如下：

    1. 初始化时先设置抽取的样本数。

    2. 从记忆池里随机抽取出一批样本。

    3. 由于每条样本中，都保存有当时的数据（当前状态，动作，奖励分数，下一个状态，是否结束），所以，为了计算出这些样本数据的目标 Q 值，就必须先取出样本中“下一个状态（next_state）”（注意：这里取到的是所有这批样本的“下一个状态”的列表！）。

    4. 将 next_state （这是批数据！！）当做参数传入神经网络，得到 Agent 在 next_state 状态时所有可执行的动作的 Q 值表（q_next），q_next 表示这批样本中所有的 next_state 状态的 Q 值表的集合。

    5. 现在，已经拿到了

        Agent 当时的状态（state），

        当时的动作（action），

        当时的状态（state）下执行动作（action）得到的奖励R(state, action)，

        当时的状态（state）下执行动作（action）后的状态（next_state）下所有可执行的动作的 Q 值表（q_next）。

        现在就可以使用上面提到的公式来计算出目标 Q 值Q(state, action)。

        Q(state, action) = R(state, action) + Gamma * Max{q_next}

    6. 根据游戏状态判断，当前选择的动作是否是违规（不可执行）的动作，如果是，则不做经验计算，直接扣除分数，否则使用上面的公式来计算出Q(state,
action)。

    7. 将计算得到的所有样本的 Q(state, action) 保存到集合中（q_target）。

    8. 将这批样本的当前状态的集合，动作的集合与 q_target
传入神经网络并进行训练。

 特别注意第 6 条的内容，如果这里处理不好，一样会得不到结果的，具体原因可以看上一篇 。

 

开始实现 DeepQNetwork 类中的 def experience_replay(self)函数：

def experience_replay(self):
"""
记忆回放。
:return:
"""
# 随机选择一小批记忆样本。
batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counter
minibatch = random.sample(self.replay_memory_store, batch)

batch_state = None
batch_action = None
batch_reward = None
batch_next_state = None
batch_done = None

for index in range(len(minibatch)):
if batch_state is None:
batch_state = minibatch[index][0]
elif batch_state is not None:
batch_state = np.vstack((batch_state, minibatch[index][0]))

if batch_action is None:
batch_action = minibatch[index][1]
elif batch_action is not None:
batch_action = np.vstack((batch_action, minibatch[index][1]))

if batch_reward is None:
batch_reward = minibatch[index][2]
elif batch_reward is not None:
batch_reward = np.vstack((batch_reward, minibatch[index][2]))

if batch_next_state is None:
batch_next_state = minibatch[index][3]
elif batch_next_state is not None:
batch_next_state = np.vstack((batch_next_state, minibatch[index][3]))

if batch_done is None:
batch_done = minibatch[index][4]
elif batch_done is not None:
batch_done = np.vstack((batch_done, minibatch[index][4]))

# q_next：下一个状态的 Q 值。
q_next = self.session.run([self.q_eval], feed_dict={self.q_eval_input: batch_next_state})

q_target = []
for i in range(len(minibatch)):
# 当前即时得分。
current_reward = batch_reward[i][0]

# # 游戏是否结束。
# current_done = batch_done[i][0]

# 更新 Q 值。
q_value = current_reward + self.gamma * np.max(q_next[0][i])

# 当得分小于 0 时，表示走了不可走的位置。
if current_reward < 0:
q_target.append(current_reward)
else:
q_target.append(q_value)

_, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action],
feed_dict={self.q_eval_input: batch_state,
self.action_input: batch_action,
self.q_target: q_target})

self.cost_his.append(cost)

# if self.step_index % 1000 == 0:
#     print("loss:", cost)

self.learn_step_counter += 1

 

九、训练

 这部分在前面都分析过了，看看就行了。

 实现 DeepQNetwork 类中的 def train(self)函数：

def train(self):
"""
训练。
:return:
"""
# 初始化当前状态。
current_state = np.random.randint(0, self.action_num - 1)
self.epsilon = self.INITIAL_EPSILON

while True:
# 选择动作。
action = self.select_action(current_state)

# 执行动作，得到：下一个状态，执行动作的得分，是否结束。
next_state, reward, done = self.step(current_state, action)

# 保存记忆。
self.save_store(current_state, action, reward, next_state, done)

# 先观察一段时间累积足够的记忆在进行训练。
if self.step_index > self.OBSERVE:
self.experience_replay()

if self.step_index > 10000:
break

if done:
current_state = np.random.randint(0, self.action_num - 1)
else:
current_state = next_state

self.step_index += 1

 

十、执行并测试训练结果

 

 实现 DeepQNetwork 类中的 def pay(self)函数：

def pay(self):
"""
运行并测试。
:return:
"""
self.train()

# 显示 R 矩阵。
print(self.r)

for index in range(5):

start_room = index

print("#############################", "Agent 在", start_room, "开始行动", "#############################")

current_state = start_room

step = 0

target_state = 5

while current_state != target_state:
out_result = self.session.run(self.q_eval, feed_dict={
self.q_eval_input: self.state_list[current_state:current_state + 1]})

next_state = np.argmax(out_result[0])

print("Agent 由", current_state, "号房间移动到了", next_state, "号房间")

current_state = next_state

step += 1

print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5")

print("#############################", "Agent 在", 5, "结束行动", "#############################")

 

十一、完整源码

 

import tensorflow as tf
import numpy as np
from collections import deque
import random

class DeepQNetwork:
r = np.array([[-1, -1, -1, -1, 0, -1],
[-1, -1, -1, 0, -1, 100.0],
[-1, -1, -1, 0, -1, -1],
[-1, 0, 0, -1, 0, -1],
[0, -1, -1, 1, -1, 100],
[-1, 0, -1, -1, 0, 100],
])

# 执行步数。
step_index = 0

# 状态数。
state_num = 6

# 动作数。
action_num = 6

# 训练之前观察多少步。
OBSERVE = 1000.

# 选取的小批量训练样本数。
BATCH = 20

# epsilon 的最小值，当 epsilon 小于该值时，将不在随机选择行为。
FINAL_EPSILON = 0.0001

# epsilon 的初始值，epsilon 逐渐减小。
INITIAL_EPSILON = 0.1

# epsilon 衰减的总步数。
EXPLORE = 3000000.

# 探索模式计数。
epsilon = 0

# 训练步数统计。
learn_step_counter = 0

# 学习率。
learning_rate = 0.001

# γ经验折损率。
gamma = 0.9

# 记忆上限。
memory_size = 5000

# 当前记忆数。
memory_counter = 0

# 保存观察到的执行过的行动的存储器，即：曾经经历过的记忆。
replay_memory_store = deque()

# 生成一个状态矩阵（6 X 6），每一行代表一个状态。
state_list = None

# 生成一个动作矩阵。
action_list = None

# q_eval 网络。
q_eval_input = None
action_input = None
q_target = None
q_eval = None
predict = None
loss = None
train_op = None
cost_his = None
reward_action = None

# tensorflow 会话。
session = None

def __init__(self, learning_rate=0.001, gamma=0.9, memory_size=5000):
self.learning_rate = learning_rate
self.gamma = gamma
self.memory_size = memory_size

# 初始化成一个 6 X 6 的状态矩阵。
self.state_list = np.identity(self.state_num)

# 初始化成一个 6 X 6 的动作矩阵。
self.action_list = np.identity(self.action_num)

# 创建神经网络。
self.create_network()

# 初始化 tensorflow 会话。
self.session = tf.InteractiveSession()

# 初始化 tensorflow 参数。
self.session.run(tf.initialize_all_variables())

# 记录所有 loss 变化。
self.cost_his = []

def create_network(self):
"""
创建神经网络。
:return:
"""
self.q_eval_input = tf.placeholder(shape=[None, self.state_num], dtype=tf.float32)
self.action_input = tf.placeholder(shape=[None, self.action_num], dtype=tf.float32)
self.q_target = tf.placeholder(shape=[None], dtype=tf.float32)

neuro_layer_1 = 3
w1 = tf.Variable(tf.random_normal([self.state_num, neuro_layer_1]))
b1 = tf.Variable(tf.zeros([1, neuro_layer_1]) + 0.1)
l1 = tf.nn.relu(tf.matmul(self.q_eval_input, w1) + b1)

w2 = tf.Variable(tf.random_normal([neuro_layer_1, self.action_num]))
b2 = tf.Variable(tf.zeros([1, self.action_num]) + 0.1)
self.q_eval = tf.matmul(l1, w2) + b2

# 取出当前动作的得分。
self.reward_action = tf.reduce_sum(tf.multiply(self.q_eval, self.action_input), reduction_indices=1)
self.loss = tf.reduce_mean(tf.square((self.q_target - self.reward_action)))
self.train_op = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss)

self.predict = tf.argmax(self.q_eval, 1)

def select_action(self, state_index):
"""
根据策略选择动作。
:param state_index: 当前状态。
:return:
"""
current_state = self.state_list[state_index:state_index + 1]

if np.random.uniform() < self.epsilon:
current_action_index = np.random.randint(0, self.action_num)
else:
actions_value = self.session.run(self.q_eval, feed_dict={self.q_eval_input: current_state})
action = np.argmax(actions_value)
current_action_index = action

# 开始训练后，在 epsilon 小于一定的值之前，将逐步减小 epsilon。
if self.step_index > self.OBSERVE and self.epsilon > self.FINAL_EPSILON:
self.epsilon -= (self.INITIAL_EPSILON - self.FINAL_EPSILON) / self.EXPLORE

return current_action_index

def save_store(self, current_state_index, current_action_index, current_reward, next_state_index, done):
"""
保存记忆。
:param current_state_index: 当前状态 index。
:param current_action_index: 动作 index。
:param current_reward: 奖励。
:param next_state_index: 下一个状态 index。
:param done: 是否结束。
:return:
"""
current_state = self.state_list[current_state_index:current_state_index + 1]
current_action = self.action_list[current_action_index:current_action_index + 1]
next_state = self.state_list[next_state_index:next_state_index + 1]
# 记忆动作(当前状态， 当前执行的动作， 当前动作的得分，下一个状态)。
self.replay_memory_store.append((
current_state,
current_action,
current_reward,
next_state,
done))

# 如果超过记忆的容量，则将最久远的记忆移除。
if len(self.replay_memory_store) > self.memory_size:
self.replay_memory_store.popleft()

self.memory_counter += 1

def step(self, state, action):
"""
执行动作。
:param state: 当前状态。
:param action: 执行的动作。
:return:
"""
reward = self.r[state][action]

next_state = action

done = False

if action == 5:
done = True

return next_state, reward, done

def experience_replay(self):
"""
记忆回放。
:return:
"""
# 随机选择一小批记忆样本。
batch = self.BATCH if self.memory_counter > self.BATCH else self.memory_counter
minibatch = random.sample(self.replay_memory_store, batch)

batch_state = None
batch_action = None
batch_reward = None
batch_next_state = None
batch_done = None

for index in range(len(minibatch)):
if batch_state is None:
batch_state = minibatch[index][0]
elif batch_state is not None:
batch_state = np.vstack((batch_state, minibatch[index][0]))

if batch_action is None:
batch_action = minibatch[index][1]
elif batch_action is not None:
batch_action = np.vstack((batch_action, minibatch[index][1]))

if batch_reward is None:
batch_reward = minibatch[index][2]
elif batch_reward is not None:
batch_reward = np.vstack((batch_reward, minibatch[index][2]))

if batch_next_state is None:
batch_next_state = minibatch[index][3]
elif batch_next_state is not None:
batch_next_state = np.vstack((batch_next_state, minibatch[index][3]))

if batch_done is None:
batch_done = minibatch[index][4]
elif batch_done is not None:
batch_done = np.vstack((batch_done, minibatch[index][4]))

# q_next：下一个状态的 Q 值。
q_next = self.session.run([self.q_eval], feed_dict={self.q_eval_input: batch_next_state})

q_target = []
for i in range(len(minibatch)):
# 当前即时得分。
current_reward = batch_reward[i][0]

# # 游戏是否结束。
# current_done = batch_done[i][0]

# 更新 Q 值。
q_value = current_reward + self.gamma * np.max(q_next[0][i])

# 当得分小于 0 时，表示走了不可走的位置。
if current_reward < 0:
q_target.append(current_reward)
else:
q_target.append(q_value)

_, cost, reward = self.session.run([self.train_op, self.loss, self.reward_action],
feed_dict={self.q_eval_input: batch_state,
self.action_input: batch_action,
self.q_target: q_target})

self.cost_his.append(cost)

# if self.step_index % 1000 == 0:
#     print("loss:", cost)

self.learn_step_counter += 1

def train(self):
"""
训练。
:return:
"""
# 初始化当前状态。
current_state = np.random.randint(0, self.action_num - 1)
self.epsilon = self.INITIAL_EPSILON

while True:
# 选择动作。
action = self.select_action(current_state)

# 执行动作，得到：下一个状态，执行动作的得分，是否结束。
next_state, reward, done = self.step(current_state, action)

# 保存记忆。
self.save_store(current_state, action, reward, next_state, done)

# 先观察一段时间累积足够的记忆在进行训练。
if self.step_index > self.OBSERVE:
self.experience_replay()

if self.step_index > 10000:
break

if done:
current_state = np.random.randint(0, self.action_num - 1)
else:
current_state = next_state

self.step_index += 1

def pay(self):
"""
运行并测试。
:return:
"""
self.train()

# 显示 R 矩阵。
print(self.r)

for index in range(5):

start_room = index

print("#############################", "Agent 在", start_room, "开始行动", "#############################")

current_state = start_room

step = 0

target_state = 5

while current_state != target_state:
out_result = self.session.run(self.q_eval, feed_dict={
self.q_eval_input: self.state_list[current_state:current_state + 1]})

next_state = np.argmax(out_result[0])

print("Agent 由", current_state, "号房间移动到了", next_state, "号房间")

current_state = next_state

step += 1

print("Agent 在", start_room, "号房间开始移动了", step, "步到达了目标房间 5")

print("#############################", "Agent 在", 5, "结束行动", "#############################")

if __name__ == "__main__":
q_network = DeepQNetwork()
q_network.pay()