18个常用的强化学习算法整理：从基础方法到高级模型的理论技术与代码实现

本文系统讲解从基本强化学习方法到高级技术（如PPO、A3C、PlaNet等）的实现原理与编码过程，旨在通过理论结合代码的方式，构建对强化学习算法的全面理解。

为确保内容易于理解和实践，全部代码均在Jupyter Notebook环境中实现，仅依赖基础库进行算法构建。

代码库组织结构如下：

  1. ├── 1_simple_rl.ipynb
  2. ├── 2_q_learning.ipynb
  3. ├── 3_sarsa.ipynb
  4. ...
  5. ├── 9_a3c.ipynb
  6. ├── 10_ddpg.ipynb
  7. ├── 11_sac.ipynb
  8. ├── 12_trpo.ipynb
  9. ...
  10. ├── 17_mcts.ipynb
  11. └── 18_planet.ipynb

说明：github地址见文章最后，文章很长所以可以根据需求查看感兴趣的强化学习方法介绍和对应notebook。

搭建环境

首先，需要克隆仓库并安装相关依赖项：

  1. # 克隆并导航到目录
  2. git clone https://github.com/fareedkhan-dev/all-rl-algorithms.git
  3. cd all-rl-algorithms
  5. # 安装所需的依赖项
  6. pip install -r requirements.txt

接下来，导入核心库：

  1. # --- 核心Python库 ---
  2. import random
  3. import math
  4. from collections import defaultdict, deque, namedtuple
  5. from typing import List, Tuple, Dict, Optional, Any, DefaultDict # 用于代码中的类型提示
  7. # --- 数值计算 ---
  8. import numpy as np
  10. # --- 机器学习框架（PyTorch - 从REINFORCE开始广泛使用） ---
  11. import torch
  12. import torch.nn as nn
  13. import torch.optim as optim
  14. import torch.nn.functional as F
  15. from torch.distributions import Categorical, Normal # 用于策略梯度、SAC、PlaNet等
  17. # --- 环境 ---
  18. # 用于加载标准环境，如Pendulum
  19. import gymnasium as gym
  20. # 注意：SimpleGridWorld类定义需要直接包含在代码中
  21. # 因为它是博客文章中定义的自定义环境。
  23. # --- 可视化（由博客中显示的图表暗示） ---
  24. import matplotlib.pyplot as plt
  25. import seaborn as sns # 经常用于热力图
  27. # --- 可能用于异步方法（A3C） ---
  28. # 尽管在代码片段中没有明确展示，但A3C实现通常使用这些
  29. # import torch.multiprocessing as mp # 或标准的'multiprocessing'/'threading'
  31. # --- PyTorch设置（可选但是好习惯） ---
  32. device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
  33. print(f"Using device: {device}")
  35. # --- 禁用警告（可选） ---
  36. import warnings
  37. warnings.filterwarnings('ignore') # 抑制潜在的废弃警告等

强化学习环境设置

虽然OpenAI Gym库提供了常见的强化学习环境，但为了深入理解算法核心原理，我们将自行实现大部分环境。仅在少数需要特殊环境配置的算法中，才会使用Gym模块。

本文主要关注两个环境：

  1. 自定义网格世界（从头实现）
  2. 钟摆问题（使用OpenAI Gymnasium）
  1. # -------------------------------------
  2. # 1. 简单自定义网格世界
  3. # -------------------------------------
  5. class SimpleGridWorld:
  6. """ 一个基本的网格世界环境。 """
  7. def __init__(self, size=5):
  8. self.size = size
  9. self.start_state = (0, 0)
  10. self.goal_state = (size - 1, size - 1)
  11. self.state = self.start_state
  12. # 动作: 0:上, 1:下, 2:左, 3:右
  13. self.action_map = {0: (-1, 0), 1: (1, 0), 2: (0, -1), 3: (0, 1)}
  14. self.action_space_size = 4
  16. def reset(self) -> Tuple[int, int]:
  17. """ 重置到初始状态。 """
  18. self.state = self.start_state
  19. return self.state
  21. def step(self, action: int) -> Tuple[Tuple[int, int], float, bool]:
  22. """ 执行一个动作，返回next_state, reward, done。 """
  23. if self.state == self.goal_state:
  24. return self.state, 0.0, True # 在目标处停留
  26. # 计算潜在的下一个状态
  27. dr, dc = self.action_map[action]
  28. r, c = self.state
  29. next_r, next_c = r + dr, c + dc
  31. # 应用边界（如果碰到墙壁则原地不动）
  32. if not (0 <= next_r < self.size and 0 <= next_c < self.size):
  33. next_r, next_c = r, c # 保持在当前状态
  34. reward = -1.0 # 墙壁惩罚
  35. else:
  36. reward = -0.1 # 步骤成本
  38. # 更新状态
  39. self.state = (next_r, next_c)
  41. # 检查是否达到目标
  42. done = (self.state == self.goal_state)
  43. if done:
  44. reward = 10.0 # 目标奖励
  46. return self.state, reward, done
  1. SimpleGridWorld

环境是一个基础的二维网格强化学习环境，智能体需要从起始位置

  1. (0,0)

导航至目标位置

  1. (size-1, size-1)

。智能体可以执行四个基本方向的移动动作（上、下、左、右），在每一步会接收一个小的步骤惩罚（-0.1），碰撞墙壁则会获得更大的惩罚（-1.0），而到达目标则给予较大的奖励（10.0）。

  1. # -------------------------------------
  2. # 2. 加载Gymnasium钟摆
  3. # -------------------------------------
  5. pendulum_env = gym.make('Pendulum-v1')
  6. print("Pendulum-v1 environment loaded.")
  8. # 重置环境
  9. observation, info = pendulum_env.reset(seed=42)
  10. print(f"Initial Observation: {observation}")
  11. print(f"Observation Space: {pendulum_env.observation_space}")
  12. print(f"Action Space: {pendulum_env.action_space}")
  14. # 执行随机步骤
  15. random_action = pendulum_env.action_space.sample()
  16. observation, reward, terminated, truncated, info = pendulum_env.step(random_action)
  17. done = terminated or truncated
  18. print(f"Step with action {random_action}:")
  19. print(f" Next Obs: {observation}\n Reward: {reward}\n Done: {done}")
  21. # 关闭环境（如果使用了渲染则很重要）
  22. pendulum_env.close()

对于钟摆问题，我们使用Gymnasium库中的

  1. Pendulum-v1

环境，这是一个基于物理的连续控制任务。上述代码初始化环境并展示了基本交互过程，包括获取初始观察、显示观察空间和动作空间的结构，以及执行一个随机动作并处理反馈。

让我们可视化这两个环境：

网格世界和钟摆

从上图可以看出，在网格世界环境中，智能体的目标是找到从起点到目标的最短路径；而在钟摆环境中，目标是将摆杆从任意初始位置控制到竖直向上的平衡点。

 

https://avoid.overfit.cn/post/2785f28f0c094343a5b51466a1df29cf

posted @ 2025-04-11 09:59  deephub  阅读(137)  评论(0)    收藏  举报