用Python手把手教你实现Q-Learning算法(附完整代码)

news2026/3/19 0:12:46
用Python手把手教你实现Q-Learning算法附完整代码在人工智能领域强化学习正以惊人的速度改变着我们解决问题的方式。想象一下你正在训练一个虚拟机器人穿越迷宫或者开发一个能自动优化广告投放策略的系统——这些看似复杂的任务都可以通过Q-Learning这一经典算法来实现。本文将带你从零开始用Python构建一个完整的Q-Learning实现避开那些教科书里不会告诉你的实践陷阱。1. 环境搭建与核心概念1.1 为什么选择Q-LearningQ-Learning作为强化学习的入门算法有着不可替代的优势无模型学习不需要预先知道环境动态离线学习可以在历史数据上训练简单有效算法逻辑清晰实现门槛低# 必备库安装如果你还没安装 # pip install numpy matplotlib import numpy as np import matplotlib.pyplot as plt1.2 关键参数解析在开始编码前我们需要理解几个核心参数参数典型值作用调整技巧学习率(α)0.1-0.5控制新信息的影响从大到小调整折扣因子(γ)0.9-0.99未来奖励的重要性越接近1越重视长期回报探索率(ε)0.1-0.3探索与利用的平衡训练后期应降低提示这些参数没有绝对最优值需要根据具体问题调整2. 从零构建Q-Learning框架2.1 初始化Q表Q表是算法的核心数据结构存储着状态-动作对的预期回报def init_q_table(state_size, action_size): 初始化Q表 Args: state_size: 状态空间大小 action_size: 动作空间大小 Returns: 初始化的Q值表 return np.zeros((state_size, action_size))2.2 ε-贪婪策略实现这是平衡探索与利用的关键策略def epsilon_greedy_policy(q_table, state, epsilon): if np.random.random() epsilon: return np.random.randint(q_table.shape[1]) # 随机探索 else: return np.argmax(q_table[state]) # 选择最优动作2.3 Q值更新公式贝尔曼方程的具体实现def update_q_value(q_table, state, action, reward, next_state, alpha, gamma): 更新Q值 Args: q_table: Q值表 state: 当前状态 action: 采取的动作 reward: 获得的奖励 next_state: 转移到的状态 alpha: 学习率 gamma: 折扣因子 best_next_action np.argmax(q_table[next_state]) td_target reward gamma * q_table[next_state][best_next_action] td_error td_target - q_table[state][action] q_table[state][action] alpha * td_error3. 实战迷宫寻路问题让我们用一个经典的4x4网格迷宫来测试我们的实现3.1 迷宫环境设计class MazeEnv: def __init__(self): self.grid_size 4 self.state_space self.grid_size * self.grid_size self.action_space 4 # 上,下,左,右 self.goal 15 # 右下角为终点 self.obstacles [5, 7, 11] # 障碍物位置 def reset(self): self.state 0 # 起点在左上角 return self.state def step(self, action): x, y divmod(self.state, self.grid_size) # 执行动作 if action 0 and x 0: x - 1 # 上 elif action 1 and x 3: x 1 # 下 elif action 2 and y 0: y - 1 # 左 elif action 3 and y 3: y 1 # 右 new_state x * self.grid_size y # 检查是否碰到障碍物 if new_state in self.obstacles: return self.state, -10, True # 检查是否到达终点 if new_state self.goal: return new_state, 100, True # 普通移动 self.state new_state return new_state, -1, False3.2 训练过程可视化def train_agent(episodes1000, alpha0.1, gamma0.9, epsilon0.1): env MazeEnv() q_table init_q_table(env.state_space, env.action_space) rewards [] for episode in range(episodes): state env.reset() total_reward 0 done False while not done: action epsilon_greedy_policy(q_table, state, epsilon) next_state, reward, done env.step(action) update_q_value(q_table, state, action, reward, next_state, alpha, gamma) state next_state total_reward reward rewards.append(total_reward) # 逐步降低探索率 epsilon max(0.01, epsilon * 0.995) return q_table, rewards4. 高级技巧与优化4.1 动态参数调整# 自适应学习率示例 def adaptive_alpha(episode, total_episodes): initial_alpha 0.5 min_alpha 0.01 return max(min_alpha, initial_alpha * (1 - episode/total_episodes))4.2 奖励塑形技巧合理的奖励设计能显著加快收敛情况奖励值设计理由到达目标100明确成功信号碰到障碍-10避免危险行为每步移动-1鼓励高效路径4.3 解决Q-Learning的常见问题冷启动问题初始随机策略效率低解决方案使用优先经验回放维度灾难状态空间过大解决方案结合神经网络(DQN)# 优先经验回放示例 class PriorityReplayBuffer: def __init__(self, capacity): self.capacity capacity self.buffer [] self.priorities [] def add(self, experience, priority): if len(self.buffer) self.capacity: self.buffer.pop(0) self.priorities.pop(0) self.buffer.append(experience) self.priorities.append(priority) def sample(self, batch_size): probs np.array(self.priorities) / sum(self.priorities) indices np.random.choice(len(self.buffer), batch_size, pprobs) return [self.buffer[i] for i in indices]5. 工业级应用扩展5.1 股票交易策略优化class TradingEnv: def __init__(self, data): self.data data # 历史价格数据 self.position 0 # 持仓状态 self.cash 10000 # 初始资金 self.current_step 0 def step(self, action): # action: 0持有, 1买入, 2卖出 price self.data[self.current_step] if action 1 and self.position 0: # 买入 self.position self.cash / price self.cash 0 elif action 2 and self.position 0: # 卖出 self.cash self.position * price self.position 0 self.current_step 1 done self.current_step len(self.data) - 1 # 计算回报 portfolio_value self.cash self.position * price reward portfolio_value - 10000 # 相对于初始资金的收益 return self.current_step, reward, done5.2 游戏AI开发# 简单的21点游戏环境 class BlackjackEnv: def __init__(self): self.deck [2,3,4,5,6,7,8,9,10,10,10,10,11] * 4 random.shuffle(self.deck) self.player_hand [] self.dealer_hand [] def deal_card(self): return self.deck.pop() def step(self, action): # 0要牌, 1停牌 if action 0: self.player_hand.append(self.deal_card()) if sum(self.player_hand) 21: return bust, -1, True return playing, 0, False else: # 庄家逻辑 while sum(self.dealer_hand) 17: self.dealer_hand.append(self.deal_card()) player_total sum(self.player_hand) dealer_total sum(self.dealer_hand) if dealer_total 21 or player_total dealer_total: return win, 1, True elif player_total dealer_total: return draw, 0, True else: return lose, -1, True在实现这些高级应用时我发现状态表示的设计往往比算法本身更重要。比如在交易系统中仅使用价格作为状态远远不够还需要考虑技术指标、市场情绪等多维特征。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2424576.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…