-供需商情.jpg?orientation=landscape&width=800&height=600)
.jpg?orientation=landscape&width=400&height=300)
1959
什么是強(qiáng)化學(xué)習(xí)？
在機(jī)器學(xué)習(xí)的大家庭里，強(qiáng)化學(xué)習(xí)（RL）是那個(gè)總是在玩“打怪升級(jí)”游戲的孩子。這個(gè)孩子不斷嘗試各種策略，尋找最優(yōu)的游戲路線，在失敗中學(xué)習(xí)，在成功中積累經(jīng)驗(yàn)，最終成為一名“游戲高手”。在現(xiàn)實(shí)世界中，強(qiáng)化學(xué)習(xí)算法通過與環(huán)境的交互，逐漸優(yōu)化策略，以最大化其長(zhǎng)期收益。這種學(xué)習(xí)方式有點(diǎn)像訓(xùn)練一只小狗，經(jīng)過不斷的嘗試和獎(jiǎng)勵(lì)，小狗學(xué)會(huì)了坐下、握手、甚至是跳圈。
強(qiáng)化學(xué)習(xí)的核心思想是通過“試錯(cuò)”來學(xué)習(xí)。模型（即智能體）在每一步行動(dòng)后，都會(huì)從環(huán)境中得到一個(gè)反饋（獎(jiǎng)勵(lì)或懲罰），這個(gè)反饋幫助模型調(diào)整其策略，以便在未來獲得更大的獎(jiǎng)勵(lì)。最終目標(biāo)是找到一個(gè)策略，使得在長(zhǎng)期內(nèi)累積的獎(jiǎng)勵(lì)最大化。
強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)的比較
要理解強(qiáng)化學(xué)習(xí)，我們先來對(duì)比一下它與監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的不同之處。
監(jiān)督學(xué)習(xí)
監(jiān)督學(xué)習(xí)就像一個(gè)勤奮的學(xué)生，他總是有現(xiàn)成的答案可以參考（有標(biāo)簽的數(shù)據(jù)）。他通過不斷地學(xué)習(xí)這些答案，來預(yù)測(cè)新問題的答案。監(jiān)督學(xué)習(xí)的目標(biāo)是找到輸入與輸出之間的映射關(guān)系，比如根據(jù)一個(gè)人的身高和體重來預(yù)測(cè)他是否適合當(dāng)模特。這里，學(xué)生每次答題后都會(huì)知道自己對(duì)錯(cuò)，而強(qiáng)化學(xué)習(xí)則是在“玩游戲”的過程中不斷積累經(jīng)驗(yàn)，沒有現(xiàn)成的答案。
無監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)更像是一個(gè)在迷宮里探索的小孩，他沒有現(xiàn)成的路徑圖（沒有標(biāo)簽的數(shù)據(jù)），只能通過觀察和摸索來理解這個(gè)迷宮的結(jié)構(gòu)。無監(jiān)督學(xué)習(xí)的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在模式，比如將相似的物品分成同一類。強(qiáng)化學(xué)習(xí)與無監(jiān)督學(xué)習(xí)不同的是，它不僅僅是發(fā)現(xiàn)數(shù)據(jù)中的模式，還要根據(jù)這些模式采取行動(dòng)，并根據(jù)行動(dòng)的結(jié)果進(jìn)行調(diào)整。
強(qiáng)化學(xué)習(xí)
強(qiáng)化學(xué)習(xí)與上述兩種學(xué)習(xí)方法的不同之處在于，它不僅學(xué)習(xí)如何做出正確的決策，還要學(xué)習(xí)如何在一系列決策中最大化長(zhǎng)期收益。它沒有監(jiān)督學(xué)習(xí)中的“標(biāo)準(zhǔn)答案”，也不像無監(jiān)督學(xué)習(xí)那樣只是探索數(shù)據(jù)的結(jié)構(gòu)。強(qiáng)化學(xué)習(xí)是一個(gè)更加動(dòng)態(tài)的過程，智能體通過與環(huán)境的不斷交互，逐漸摸索出一套能夠獲得最大化回報(bào)的策略。就像訓(xùn)練一只小狗，你需要通過不斷地給它獎(jiǎng)勵(lì)，讓它明白哪些行為是正確的。
常用的強(qiáng)化學(xué)習(xí)算法
強(qiáng)化學(xué)習(xí)的算法種類繁多，每種算法都有其獨(dú)特的適用場(chǎng)景和特點(diǎn)。我們來聊聊幾種常見的強(qiáng)化學(xué)習(xí)算法，用最簡(jiǎn)單的語(yǔ)言讓你明白它們的工作原理。
Q學(xué)習(xí)（Q-Learning）
Q學(xué)習(xí)是強(qiáng)化學(xué)習(xí)中的一個(gè)經(jīng)典算法，它的核心思想是建立一個(gè)“Q表”，記錄每個(gè)狀態(tài)-動(dòng)作對(duì)的價(jià)值。想象一下你在玩迷宮游戲，每到一個(gè)十字路口（狀態(tài)），你有幾個(gè)方向可以選擇（動(dòng)作），Q學(xué)習(xí)會(huì)記錄下你每次選擇的結(jié)果——你是到了死胡同，還是找到了出路。隨著游戲的進(jìn)行，Q表不斷更新，最終幫助你選擇最優(yōu)的路線。在具體實(shí)現(xiàn)中，Q學(xué)習(xí)通過不斷更新Q值來逼近最優(yōu)策略，這個(gè)過程不需要環(huán)境的模型，因此也被稱為無模型（model-free）算法。
深度Q學(xué)習(xí)（Deep Q-Learning, DQN）
Q學(xué)習(xí)雖然簡(jiǎn)單，但在復(fù)雜環(huán)境中，Q表的大小會(huì)急劇膨脹，無法處理高維狀態(tài)空間。為了解決這個(gè)問題，深度Q學(xué)習(xí)引入了神經(jīng)網(wǎng)絡(luò)來代替Q表，直接從圖像、視頻等高維數(shù)據(jù)中提取特征，計(jì)算每個(gè)動(dòng)作的Q值。DQN的出現(xiàn)使得強(qiáng)化學(xué)習(xí)能夠在復(fù)雜的游戲、機(jī)器人控制等任務(wù)中大顯身手，像“阿爾法狗”這樣的AI正是借助了類似的技術(shù)。
策略梯度（Policy Gradient）
策略梯度方法直接優(yōu)化策略，而不是像Q學(xué)習(xí)那樣間接優(yōu)化Q值。它的工作原理是通過計(jì)算梯度來逐步調(diào)整策略參數(shù)，使得在給定環(huán)境下的期望回報(bào)最大化。想象一下你在爬山，每次你都會(huì)根據(jù)當(dāng)前的坡度調(diào)整前進(jìn)的方向，策略梯度方法就是通過這種方式找到最佳策略。在策略梯度中，智能體不再需要記錄每個(gè)狀態(tài)的具體價(jià)值，而是直接調(diào)整策略，往往在處理高維連續(xù)動(dòng)作空間時(shí)表現(xiàn)出色。
演員-評(píng)論家（Actor-Critic）
演員-評(píng)論家方法結(jié)合了策略梯度和Q學(xué)習(xí)的優(yōu)點(diǎn)。這個(gè)方法將智能體分為兩個(gè)部分：演員（Actor）和評(píng)論家（Critic）。演員負(fù)責(zé)生成動(dòng)作（類似于策略梯度），而評(píng)論家則根據(jù)當(dāng)前狀態(tài)和動(dòng)作給出評(píng)價(jià)（類似于Q學(xué)習(xí)中的Q值）。評(píng)論家的評(píng)價(jià)幫助演員調(diào)整策略，使得智能體能夠更快地找到最優(yōu)策略。這種方法通過將策略學(xué)習(xí)與價(jià)值評(píng)估分開處理，使得算法能夠更高效地學(xué)習(xí)復(fù)雜的策略。
蒙特卡洛樹搜索（Monte Carlo Tree Search, MCTS）
蒙特卡洛樹搜索是一種用于決策過程中的算法，尤其在策略類游戲中表現(xiàn)突出。它通過構(gòu)建一個(gè)決策樹，模擬未來可能的決策路徑，并通過蒙特卡洛模擬（即隨機(jī)取樣）來評(píng)估這些路徑的價(jià)值。MCTS不需要完整的環(huán)境模型，通過多次模擬來逐步逼近最優(yōu)決策。比如在圍棋或國(guó)際象棋中，MCTS可以模擬數(shù)千次可能的棋局變化，從中選擇最佳的下一步棋。
強(qiáng)化學(xué)習(xí)的應(yīng)用領(lǐng)域
強(qiáng)化學(xué)習(xí)因?yàn)槠洫?dú)特的學(xué)習(xí)方式，在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。讓我們來看看它在哪些領(lǐng)域“大顯身手”。
游戲AI
強(qiáng)化學(xué)習(xí)在游戲AI領(lǐng)域的表現(xiàn)可謂是“如魚得水”。從早期的“吃豆人”到后來風(fēng)靡全球的“阿爾法狗”，強(qiáng)化學(xué)習(xí)幫助這些AI在游戲中找到了最優(yōu)策略。它不僅可以擊敗人類頂尖棋手，還可以在復(fù)雜的策略類游戲中展示出驚人的決策能力。通過不斷模擬和試錯(cuò)，強(qiáng)化學(xué)習(xí)使得游戲AI越來越聰明，甚至讓人類感到“不可戰(zhàn)勝”。
機(jī)器人控制
機(jī)器人控制是強(qiáng)化學(xué)習(xí)的另一個(gè)重要應(yīng)用領(lǐng)域。在這里，強(qiáng)化學(xué)習(xí)幫助機(jī)器人學(xué)習(xí)如何行走、抓取物體、平衡等復(fù)雜任務(wù)。與傳統(tǒng)的控制方法相比，強(qiáng)化學(xué)習(xí)可以通過與環(huán)境的交互，自主學(xué)習(xí)最優(yōu)的控制策略，而不需要依賴于精確的物理模型。這種自主學(xué)習(xí)能力使得強(qiáng)化學(xué)習(xí)在機(jī)器人領(lǐng)域展現(xiàn)出了巨大的潛力，從工業(yè)自動(dòng)化到家庭服務(wù)機(jī)器人，應(yīng)用場(chǎng)景廣泛。
自動(dòng)駕駛是一項(xiàng)高度復(fù)雜且具有挑戰(zhàn)性的任務(wù)，涉及大量的感知、決策和控制。強(qiáng)化學(xué)習(xí)在這一領(lǐng)域的應(yīng)用主要體現(xiàn)在決策和控制上。通過與虛擬環(huán)境中的模擬駕駛互動(dòng)，強(qiáng)化學(xué)習(xí)算法可以逐步學(xué)習(xí)如何在各種交通場(chǎng)景中做出安全、有效的決策。雖然目前自動(dòng)駕駛還處于發(fā)展階段，但強(qiáng)化學(xué)習(xí)的引入無疑為這一領(lǐng)域帶來了新的可能性。
智能推薦系統(tǒng)
推薦系統(tǒng)的核心任務(wù)是根據(jù)用戶的行為數(shù)據(jù)，預(yù)測(cè)他們可能感興趣的內(nèi)容。在傳統(tǒng)推薦系統(tǒng)中，監(jiān)督學(xué)習(xí)方法通過已知的用戶評(píng)分來訓(xùn)練模型，而強(qiáng)化學(xué)習(xí)則通過不斷調(diào)整推薦策略，使得用戶的長(zhǎng)期滿意度最大化。例如，視頻網(wǎng)站可以利用強(qiáng)化學(xué)習(xí)不斷優(yōu)化推薦算法，使得用戶在瀏覽時(shí)更容易找到他們喜歡的視頻內(nèi)容，從而提高用戶粘性。
金融交易
在金融交易領(lǐng)域，市場(chǎng)環(huán)境變化多端且充滿不確定性。強(qiáng)化學(xué)習(xí)通過模擬不同的交易策略，找到在復(fù)雜市場(chǎng)條件下的最優(yōu)交易方案。例如，通過強(qiáng)化學(xué)習(xí)模型，交易系統(tǒng)可以自主學(xué)習(xí)如何在不同的市場(chǎng)條件下進(jìn)行買賣操作，以最大化長(zhǎng)期收益。盡管金融市場(chǎng)中充滿了隨機(jī)性和風(fēng)險(xiǎn)，但強(qiáng)化學(xué)習(xí)為智能交易系統(tǒng)提供了一個(gè)強(qiáng)有力的工具，幫助其在高風(fēng)險(xiǎn)環(huán)境中找到平衡。
醫(yī)療健康
強(qiáng)化學(xué)習(xí)在醫(yī)療健康領(lǐng)域的應(yīng)用也在逐步擴(kuò)大，尤其是在個(gè)性化治療和藥物開發(fā)方面。例如，在個(gè)性化治療中，強(qiáng)化學(xué)習(xí)可以根據(jù)病人的歷史數(shù)據(jù)，優(yōu)化治療方案，使其在特定的病情下獲得最優(yōu)治療效果。此外，強(qiáng)化學(xué)習(xí)還可以用于藥物開發(fā)中的虛擬篩選過程，通過模擬不同的藥物組合，找到效果最佳的藥物配方，縮短研發(fā)時(shí)間。
強(qiáng)化學(xué)習(xí)作為機(jī)器學(xué)習(xí)中的一個(gè)重要分支，通過與環(huán)境的互動(dòng)，不斷優(yōu)化策略，最大化長(zhǎng)期收益。在與監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的比較中，強(qiáng)化學(xué)習(xí)展現(xiàn)出了其獨(dú)特的動(dòng)態(tài)決策能力。無論是在游戲AI、機(jī)器人控制、自動(dòng)駕駛，還是在推薦系統(tǒng)、金融交易和醫(yī)療健康等領(lǐng)域，強(qiáng)化學(xué)習(xí)都展現(xiàn)出了廣泛的應(yīng)用前景。
盡管強(qiáng)化學(xué)習(xí)目前仍然面臨著一些挑戰(zhàn)，如學(xué)習(xí)效率、穩(wěn)定性和安全性問題，但隨著算法的不斷改進(jìn)和硬件性能的提升，強(qiáng)化學(xué)習(xí)的應(yīng)用將會(huì)越來越廣泛。無論你是機(jī)器學(xué)習(xí)領(lǐng)域的新手還是老手，強(qiáng)化學(xué)習(xí)都是一個(gè)值得深入探索的方向。
強(qiáng)化學(xué)習(xí)算法示例
我們用代碼來展示幾個(gè)常見的強(qiáng)化學(xué)習(xí)算法：
Q學(xué)習(xí)(Q-Learning)
比如現(xiàn)在有一條結(jié)了冰的河流，一個(gè)人想從冰面走過到對(duì)岸，冰面上有些地方很結(jié)實(shí)，有些地方一踩上去就會(huì)掉進(jìn)冰窟窿。這個(gè)人現(xiàn)在的任務(wù)是通過冰面走到對(duì)岸，從起點(diǎn)走到終點(diǎn)，并且不能掉進(jìn)冰窟窿。此人如何走到對(duì)面岸邊呢？我們可以用強(qiáng)化學(xué)習(xí)中的Q學(xué)習(xí)算法來教“自己”走到終點(diǎn)。
此處示例代碼我們使用的是OpenAI Gym中的FrozenLake環(huán)境。在這個(gè)環(huán)境中，冰面被分成了一個(gè)4x4的網(wǎng)格，每個(gè)格子可以是：
起點(diǎn)（S）
終點(diǎn)（G）
正常的冰面（F）
會(huì)掉下去的冰窟窿（H）
我們的目標(biāo)就是讓人（智能體/agent）學(xué)會(huì)從起點(diǎn)（S）走到終點(diǎn)（G），而避免掉進(jìn)冰窟窿（H）。
Q學(xué)習(xí)是一種強(qiáng)化學(xué)習(xí)算法，它的核心思想是讓智能體通過試錯(cuò)（trial and error）來學(xué)習(xí)每一個(gè)狀態(tài)（比如說智能體站在哪個(gè)格子）下采取什么行動(dòng)（上下左右移動(dòng)）最優(yōu)。為了做出這個(gè)決定，Q學(xué)習(xí)使用了一個(gè)叫做“Q表”的東西。這個(gè)Q表記錄了在每個(gè)狀態(tài)下，采取每個(gè)行動(dòng)的“價(jià)值”有多大。
每次智能體采取行動(dòng)并收到反饋（例如掉進(jìn)冰窟窿，成功到達(dá)終點(diǎn)等），Q表會(huì)更新，這樣智能體就逐漸學(xué)會(huì)了如何更好地行動(dòng)。
下面我們使用代碼演示此算法：
import gymimport numpy as npimport matplotlib.pyplot as pltfrom matplotlib.colors import ListedColormap, BoundaryNorm# 創(chuàng)建FrozenLake環(huán)境env = gym.make("FrozenLake-v1", is_slippery=True, render_mode='rgb_array') # 使用FrozenLake-v1# 初始化Q表state_space_size = env.observation_space.naction_space_size = env.action_space.nQ = np.zeros((state_space_size, action_space_size))# 超參數(shù)alpha = 0.1 # 學(xué)習(xí)率gamma = 0.99 # 折扣因子epsilon = 1.0 # 初始探索率epsilon_decay = 0.995 # 探索率衰減epsilon_min = 0.01 # 最小探索率num_episodes = 2000 # 總回合數(shù)# 用于記錄每輪的總獎(jiǎng)勵(lì)rewards = []def get_action(state, epsilon):if np.random.random() < epsilon:return env.action_space.sample()else:return np.argmax(Q[state])# Q學(xué)習(xí)算法for episode in range(num_episodes):state, _ = env.reset()total_reward = 0done = Falsewhile not done:action = get_action(state, epsilon)next_state, reward, done, truncated, _ = env.step(action)# Check if the episode is done either through completion or terminationdone = done or truncated# 更新Q值best_next_action = np.argmax(Q[next_state])td_target = reward + gamma * Q[next_state, best_next_action]td_error = td_target - Q[state, action]Q[state, action] += alpha * td_errortotal_reward += rewardstate = next_state# 更新探索率epsilon = max(epsilon_min, epsilon * epsilon_decay)rewards.append(total_reward)if episode % 100 == 0:print(f"Episode {episode}: Total Reward: {total_reward}, Epsilon: {epsilon}")# 打印最終Q表print("Final Q-Table Values")print(Q)# 繪制獎(jiǎng)勵(lì)隨時(shí)間變化圖plt.plot(rewards)plt.xlabel('Episode')plt.ylabel('Total Reward')plt.title('Reward Over Time')plt.show()# 使用matplotlib繪制方格圖并畫出最終路線def plot_frozen_lake(Q):grid_size = env.unwrapped.nrowgrid = np.zeros((grid_size, grid_size))fig, ax = plt.subplots()cmap = ListedColormap(['white', 'black', 'blue', 'green'])norm = BoundaryNorm(boundaries=[-0.5, 0.5, 1.5, 2.5, 3.5], ncolors=4)for i in range(grid_size):for j in range(grid_size):state = i * grid_size + jif env.unwrapped.desc[i, j] == b'S':grid[i, j] = 2ax.text(j, i, 'S', ha='center', va='center', color='black')elif env.unwrapped.desc[i, j] == b'G':grid[i, j] = 3ax.text(j, i, 'G', ha='center', va='center', color='black')elif env.unwrapped.desc[i, j] == b'H':grid[i, j] = 1ax.text(j, i, 'H', ha='center', va='center', color='black')elif env.unwrapped.desc[i, j] == b'F':grid[i, j] = 0ax.text(j, i, 'F', ha='center', va='center', color='black')ax.imshow(grid, cmap=cmap, norm=norm)state, _ = env.reset()path = [state]directions = ['↑', '→', '↓', '←']while True:action = np.argmax(Q[state])next_state, reward, done, truncated, _ = env.step(action)path.append(next_state)i, j = state // grid_size, state % grid_sizeif state != next_state: # 不在同一個(gè)狀態(tài)上畫箭頭ax.text(j, i, directions[action], ha='center', va='center', color='red')state = next_stateif done or truncated:breakplt.show()# 經(jīng)過訓(xùn)練后，利用最終Q表繪制方格圖并演示智能體的最終路線plot_frozen_lake(Q)
#?輸出Episode 0: Total Reward: 0.0, Epsilon: 0.995Episode 100: Total Reward: 0.0, Epsilon: 0.6027415843082742Episode 200: Total Reward: 0.0, Epsilon: 0.36512303261753626Episode 300: Total Reward: 0.0, Epsilon: 0.2211807388415433Episode 400: Total Reward: 0.0, Epsilon: 0.13398475271138335Episode 500: Total Reward: 0.0, Epsilon: 0.0811640021330769Episode 600: Total Reward: 0.0, Epsilon: 0.04916675299948831Episode 700: Total Reward: 0.0, Epsilon: 0.029783765425331846Episode 800: Total Reward: 1.0, Epsilon: 0.018042124582040707Episode 900: Total Reward: 0.0, Epsilon: 0.010929385683282892Episode 1000: Total Reward: 1.0, Epsilon: 0.01Episode 1100: Total Reward: 1.0, Epsilon: 0.01Episode 1200: Total Reward: 1.0, Epsilon: 0.01Episode 1300: Total Reward: 1.0, Epsilon: 0.01Episode 1400: Total Reward: 0.0, Epsilon: 0.01Episode 1500: Total Reward: 1.0, Epsilon: 0.01Episode 1600: Total Reward: 0.0, Epsilon: 0.01Episode 1700: Total Reward: 1.0, Epsilon: 0.01Episode 1800: Total Reward: 1.0, Epsilon: 0.01Episode 1900: Total Reward: 1.0, Epsilon: 0.01Final Q-Table Values[[5.44268685e-01 4.69096295e-01 4.82892049e-01 4.79534135e-01][1.37398190e-01 1.62239900e-01 1.41869750e-01 4.86489428e-01][3.85222751e-01 1.07776060e-01 1.20971350e-01 1.31364319e-01][1.61018062e-03 5.15108692e-02 7.38985361e-04 9.63652587e-04][5.58640044e-01 4.45894208e-01 4.24832915e-01 4.05942688e-01][0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00][2.46020726e-01 4.95482787e-02 9.58877618e-02 6.20800888e-02][0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00][3.33051441e-01 2.94682152e-01 3.28286414e-01 5.93740756e-01][3.66880719e-01 6.75596165e-01 1.83187573e-01 4.01768922e-01][6.29869042e-01 2.03088211e-01 1.96117532e-01 2.41455667e-01][0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00][0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00][1.96948367e-01 3.14519066e-01 7.95832287e-01 3.81453214e-01][4.77829487e-01 8.97068795e-01 6.42640553e-01 6.42877028e-01][0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00]]
蒙特卡洛樹搜索(MCTS)
蒙特卡洛樹搜索 (MCTS) 是一種用于決策過程的算法，特別適用于游戲領(lǐng)域（如圍棋、國(guó)際象棋等）。MCTS 通過在可能的決策樹中隨機(jī)采樣來逐漸改進(jìn)決策，它在不需要完全遍歷樹的情況下找到好的決策。MCTS 的主要步驟如下：
選擇 (Selection): 從根節(jié)點(diǎn)開始，根據(jù)樹中現(xiàn)有的信息選擇一個(gè)需要擴(kuò)展的節(jié)點(diǎn)。常用的選擇策略是 UCT (Upper Confidence bounds for Trees)，它平衡了探索和利用。
擴(kuò)展 (Expansion): 如果選擇的節(jié)點(diǎn)是非終止節(jié)點(diǎn)，且還沒有完全展開它的子節(jié)點(diǎn)，則從該節(jié)點(diǎn)擴(kuò)展出一個(gè)或多個(gè)子節(jié)點(diǎn)。
模擬 (Simulation): 從新擴(kuò)展的節(jié)點(diǎn)開始，進(jìn)行隨機(jī)模擬，直到達(dá)到終止?fàn)顟B(tài)。這一步的目的是估計(jì)該節(jié)點(diǎn)的價(jià)值。
反向傳播 (Backpropagation): 將模擬結(jié)果反向傳播到經(jīng)過的所有節(jié)點(diǎn)，以更新它們的統(tǒng)計(jì)信息。
MCTS 往往在多次迭代后逐步收斂到最優(yōu)解。
為了更好地理解MCTS算法，我們可以設(shè)計(jì)一個(gè)簡(jiǎn)單的游戲，例如“猜數(shù)字”游戲。這個(gè)游戲規(guī)則如下：
游戲在一個(gè)有限的范圍內(nèi)隨機(jī)選擇一個(gè)目標(biāo)數(shù)字。
玩家需要通過猜測(cè)來找到這個(gè)目標(biāo)數(shù)字。
每次猜測(cè)后，玩家會(huì)得到提示：猜測(cè)的數(shù)字是“太高”還是“太低”。
游戲結(jié)束時(shí)，玩家找到目標(biāo)數(shù)字。
我們可以使用MCTS算法來模擬玩家的猜測(cè)過程。假設(shè)我們本次給出的數(shù)字是88，以下是具體的實(shí)現(xiàn)步驟和代碼：
import numpy as npimport randomimport matplotlib.pyplot as pltclass GuessNumberGame:def __init__(self, lower_bound=1, upper_bound=100):self.lower_bound = lower_boundself.upper_bound = upper_boundself.target = 88self.current_guess = Nonedef make_guess(self, guess):self.current_guess = guessif guess < self.target:return -1 # Too lowelif guess > self.target:return 1 # Too highelse:return 0 # Correctdef get_possible_guesses(self):return list(range(self.lower_bound, self.upper_bound + 1))def is_correct_guess(self):return self.current_guess == self.targetclass Node:def __init__(self, state, parent=None):self.state = stateself.parent = parentself.children = []self.visits = 0self.total_reward = 0def add_child(self, child_state):child = Node(child_state, self)self.children.append(child)return childdef update(self, reward):self.visits += 1self.total_reward += rewarddef ucb1(self, c=1.41):if self.visits == 0:return float('inf')return self.total_reward / self.visits + c * np.sqrt(np.log(self.parent.visits) / self.visits)def selection(node):while node.children:node = max(node.children, key=lambda n: n.ucb1())return nodedef expansion(node):possible_guesses = node.state.get_possible_guesses()for guess in possible_guesses:new_state = GuessNumberGame(node.state.lower_bound, node.state.upper_bound)new_state.target = node.state.targetnew_state.make_guess(guess)node.add_child(new_state)def simulation(state):game = GuessNumberGame(state.lower_bound, state.upper_bound)game.target = state.targetwhile not game.is_correct_guess():possible_guesses = game.get_possible_guesses()guess = random.choice(possible_guesses)game.make_guess(guess)if game.is_correct_guess():return 1 # Correct guessreturn 0def backpropagation(node, reward):while node:node.update(reward)node = node.parentdef mcts(root, iterations):for _ in range(iterations):node = selection(root)if not node.children:expansion(node)reward = simulation(node.state)backpropagation(node, reward)# 可視化函數(shù)def visualize_guesses(game, guesses):plt.figure(figsize=(10, 6))plt.plot(guesses, 'bo-', label='Guesses')plt.axhline(y=game.target, color='r', linestyle='-', label='Target')plt.xlabel('Iteration')plt.ylabel('Guess Value')plt.title('MCTS Guessing Process')plt.legend()plt.show()# 測(cè)試game = GuessNumberGame()root = Node(game)mcts(root, 1000)# 選擇最佳猜測(cè)best_guess_node = max(root.children, key=lambda n: n.visits)best_guess = best_guess_node.state.current_guessprint("Target number:", game.target)print("Best guess:", best_guess)# 可視化猜測(cè)過程guesses = [child.state.current_guess for child in root.children]visualize_guesses(game,?guesses)
# 輸出Target number: 88Best guess: 1
下載ECAD模型
