完整代码：https://download.csdn.net/download/pythonyanyan/87390631
由于现实世界中并不能获取全部的state以及全部的action，因此值迭代方法在很多问题上还是会有局限性。这时用到的就是Q Learning方法了，对于上述两个问题他会这样解决：
- 计算的时候不会遍历所有的格子，只管当前状态，当前格子的reward 值
- 不会计算所有action的reward，每次行动时，只选取一个action，只计算这一个action的reward
这样的规则也说明了需要大量的尝试，才能学习出比较好的结果。Q Learning的公式如下：
整理后得到
从左到右拆解开来分析
表示的是在s时执行a的reward值之和，包括了经验reward值和表示的是经验reward，即学习率*之前学习到的执行该action的reward。可以看到学习速率α越大，保留之前训练的效果就
就是新的reward值了，下面逐步拆解。是计算下一个state'中最大的reward值，这个称之为 “记忆奖励”。因为在之前某次到达state'的时候，保存了四个方向(a') 的reward值，通过“回忆”，想起来自己之前在state'上能收获的最大好处，就可以直接影响在当前state时reward的计算。
是用来增加or减少state'的影响的，越大，智能体就会越重视以往经验，越小，就只重视眼前利益（R)。
R是执行了action后的reward，比如在终点处执行exit，获得+1/-1的 reward。
编写代码的时候，需要在update函数中体现上述思想。接下来分别实现函数
getQValue(state,action)函数
返回Q Value的值，直接return就可以，代码如下
defgetQValue(self,state,action):returnself.Q[(state,action)]
computeValueFromQValues(state)函数
该函数是通过QValue返回最大的reward，因此需要遍历四个reward，最终得到最大值
defcomputeValueFromQValues(self,state):actions=self.getLegalActions(state)iflen(actions)==0:return0# 保存成列表values=[self.getQValue(state,action)foractioninactions]returnmax(values)
computeActionFromQValues(state)函数 和上一个函数一样，只不过这里返回的是最大Action
defcomputeActionFromQValues(self,state):actions=self.getLegalActions(state)iflen(actions)==0:return0max_action=float('-inf')best_action=actions[0]# 记录最大actionforactioninactions:ifmax_action<self.getQValue(state,action):max_action=self.getQValue(state,action)best_action=actionreturnbest_action
getAction(state)函数
此时要返回的action应该是最大的action
defgetAction(self,state):legalActions=self.getLegalActions(state)action=Noneiflen(legalActions)==0:returnactionreturnself.computeActionFromQValues(state)
update(state, action, nextState, reward)`函数
这里就是要通过公式计算，更新Q Value值
defupdate(self,state,action,nextState,reward):sample=reward+self.discount*/self.getValue(nextState)mid=self.Q[(state,action)]# 公式self.Q[(state,action)]=(1-self.alpha)*/self.getQValue(state,action)+self.alpha*sample
搭建完毕后，就可以计算每一个action的reward了：
按照相同路径走4次后的学习结果
Question7EpsilonGreedy
上述的算法看上去可以在每次动作都选择到最佳的动作，但在使用上述算法让智能体去学习Grid World的时候，会遇到下图的问题
