本文示例展示了如何训练Q-learning智能体来解决一般的马尔可夫决策过程(MDP)环境。有关这些智能体的更多信息，请参阅Q-Learning智能体。
MDP环境如下图：
其中：
- 每一个圆圈代表一个状态。
- 每个状态可以决定上升或下降。
- 智能体从状态1开始。
- 智能体收到的奖励等于图中每个转换的值。
- 训练目标是获得最大的累积奖励。
1.创建MDP环境
创建具有8个状态和2个动作（上和下）的MDP环境。
MDP = createMDP(8,["up";"down"]);
为了对上图中的转换建模，需要修改MDP的状态转移矩阵和奖励矩阵。默认情况下，这些矩阵包含零。
为MDP指定状态转移矩阵和奖励矩阵。例如，在以下命令中:
- 前两行指定通过采取动作1(“向上”)从状态1转移到状态2并且奖励+3。
- 接下来的两行指定了通过采取动作2(“向下”)从状态1转移到状态3，并且奖励+1。
MDP.T(1,2,1) = 1; MDP.R(1,2,1) = 3; MDP.T(1,3,2) = 1; MDP.R(1,3,2) = 1;
类似地，为图中剩余的规则指定状态转换和奖励。
% State 2 transition and reward MDP.T(2,4,1) = 1; MDP.R(2,4,1) = 2; MDP.T(2,5,2) = 1; MDP.R(2,5,2) = 1; % State 3 transition and reward MDP.T(3,5,1) = 1; MDP.R(3,5,1) = 2; MDP.T(3,6,2) = 1; MDP.R(3,6,2) = 4; % State 4 transition and reward MDP.T(4,7,1) = 1; MDP.R(4,7,1) = 3; MDP.T(4,8,2) = 1; MDP.R(4,8,2) = 2; % State 5 transition and reward MDP.T(5,7,1) = 1; MDP.R(5,7,1) = 1; MDP.T(5,8,2) = 1; MDP.R(5,8,2) = 9; % State 6 transition and reward MDP.T(6,7,1) = 1; MDP.R(6,7,1) = 5; MDP.T(6,8,2) = 1; MDP.R(6,8,2) = 1; % State 7 transition and reward MDP.T(7,7,1) = 1; MDP.R(7,7,1) = 0; MDP.T(7,7,2) = 1; MDP.R(7,7,2) = 0; % State 8 transition and reward MDP.T(8,8,1) = 1; MDP.R(8,8,1) = 0; MDP.T(8,8,2) = 1; MDP.R(8,8,2) = 0;
指定状态“s7”和"s8"作为终止状态。
MDP.TerminalStates = ["s7";"s8"];
为这个过程模型创建强化学习MDP环境：
env = rlMDPEnv(MDP);
要指定智能体的初始状态始终为状态1，请指定一个返回初始智能体状态的重置函数。这个函数在每一次训练的开始被调用。创建一个匿名函数句柄，将初始状态设置为1。
env.ResetFcn = @() 1;
为了再现结果固定随机生成器种子：
rng(0)
2.创建Q-learning智能体
为了创建Q-learning智能体，首先使用MDP环境中的观察值和动作创建一个Q表，并设置学习率为1。
obsInfo = getObservationInfo(env); actInfo = getActionInfo(env); qTable = rlTable(obsInfo, actInfo); qFunction = rlQValueFunction(qTable, obsInfo, actInfo); qOptions = rlOptimizerOptions(LearnRate=1);
接下来，使用这个表创建一个Q-learning智能体，配置贪心探索算法。
agentOpts = rlQAgentOptions; agentOpts.DiscountFactor = 1; agentOpts.EpsilonGreedyExploration.Epsilon = 0.9; agentOpts.EpsilonGreedyExploration.EpsilonDecay = 0.01; agentOpts.CriticOptimizerOptions = qOptions; qAgent = rlQAgent(qFunction,agentOpts);
3. 训练Q-learning智能体
为了训练智能体，首先指定训练选项，对于这个例子，使用如下选项：
- 训练最多500次，每次最多持续50个时间步。
- 当智能体在连续30次中获得的平均累计奖励大于10时，停止训练。
trainOpts = rlTrainingOptions; trainOpts.MaxStepsPerEpisode = 50; trainOpts.MaxEpisodes = 500; trainOpts.StopTrainingCriteria = "AverageReward"; trainOpts.StopTrainingValue = 13; trainOpts.ScoreAveragingWindowLength = 30;
使用Train函数训练智能体。这可能需要几分钟才能完成。为了节省运行此示例时的时间，通过将doTraining设置为false来加载预训练的智能体。要训练自己的智能体，就将doTraining设置为true。
doTraining = false; if doTraining % Train the agent. trainingStats = train(qAgent,env,trainOpts); %#ok<UNRCH> else % Load pretrained agent for the example. load("genericMDPQAgent.mat","qAgent"); end
4.验证Q-learning结果
为了验证训练结果，使用sim函数在训练环境中模拟智能体。agent成功找到最优路径，累计奖励为13。
Data = sim(qAgent,env); cumulativeReward = sum(Data.Reward)
由于折扣因子设置为1，因此训练智能体的Q表中的值与环境的未折现收益相匹配。
QTable = getLearnableParameters(getCritic(qAgent)); QTable{1}
TrueTableValues = [13,12;5,10;11,9;3,2;1,9;5,1;0,0;0,0]
![强化学习从基础到进阶–案例与实践[11]：AlphaStar论文解读、监督学习、强化学习、模仿学习、多智能体学习、消融实验](https://ucc.alicdn.com/fnj5anauszhew_20230630_23c6ebb7a44c4507999e9d704e5eaee4.png?x-oss-process=image/resize,h_160,m_lfit)
