DQN和DDQN(进阶版)-海口c网

来源：
*《第五章深度强化学习 Q网络》.ppt --周炜星、谢文杰

一、前言

Q表格、Q网络与策略函数
在这里插入图片描述

Q表格是有限的离散的，而神经网络可以是无限的。

在这里插入图片描述

对于动作有限的智能体来说，使用Q网络获得当下状态的对于每个动作的状态-动作值。那么 $\argmax Q(a,s; \theta) =a_{best}$ ,那么我们对当前的状态s,会有一个最佳的选择 $a_{best}$ ,选择的依据是策略 $\theta$ . 我们的目标是获得最优的策略 $\theta^*$ .即优化 $\theta$ ,显然神经网络可以通过梯度下降的方法获得最优的策略 $\theta^*$ .

二、Q-learning

DQN 算法全称是 Deep Q Network，基于经典强化学习算法 Q-learning 演化而来，Q-learning 作为强化学习的重要算法，有
着悠久的历史，在强化学习发展和应用过程中发挥了重要作用.在 Q-learning 算法中，状态-动作值函数 Q(s, a) 的更新公式为:
在这里插入图片描述

Q-learning是借助于 Q-Table 的，不存在策略隐形表达(即关于 $\theta$ 的参数)
其MDP chain为： $\stackrel{a/r}→S'\stackrel{a'/r'}→S'' \to \cdots$ 状态S在动作a下变为状态S’,并获得及时奖励r;……

2.1 代码示例

import numpy as np
import random# 定义网格世界环境
class GridWorld:def __init__(self, rows, cols, start, goal):self.rows = rowsself.cols = colsself.start = startself.goal = goalself.state = startdef reset(self):self.state = self.startreturn self.statedef step(self, action):x, y = self.stateif action == 0:  # 上x = max(x - 1, 0)elif action == 1:  # 下x = min(x + 1, self.rows - 1)elif action == 2:  # 左y = max(y - 1, 0)elif action == 3:  # 右y = min(y + 1, self.cols - 1)self.state = (x, y)reward = -1  # 每一步的惩罚done = self.state == self.goalif done:reward = 100  # 到达目标的奖励return self.state, reward, done# Q-learning 算法
class QLearning:def __init__(self, env, alpha=0.1, gamma=0.99, epsilon=0.1, episodes=1000):self.env = envself.alpha = alpha  # 学习率self.gamma = gamma  # 折扣因子self.epsilon = epsilon  # 探索率self.episodes = episodesself.q_table = np.zeros((env.rows, env.cols, 4))  # Q 表 ，初始为全0def choose_action(self, state):if random.uniform(0, 1) < self.epsilon:return random.choice([0, 1, 2, 3])  # 探索else:return np.argmax(self.q_table[state])  # 利用def train(self):for episode in range(self.episodes):state = self.env.reset()done = Falsewhile not done:action = self.choose_action(state)  #根据当前的状态，按照epsion策略选择动作(可能随机，可能最佳)next_state, reward, done = self.env.step(action)best_next_action = np.argmax(self.q_table[next_state]) #获得next_state根据Q表格最好的动作td_target = reward + self.gamma * self.q_table[next_state][best_next_action]#根据 next_state 和 best_next_action 获得未来的收益，再加上即使奖励reward,即当前的状态和动作的价值td_error = td_target - self.q_table[state][action]self.q_table[state][action] += self.alpha * td_errorstate = next_stateif (episode + 1) % 100 == 0:print(f"Episode {episode + 1}/{self.episodes} completed")def test(self):state = self.env.reset()done = Falsepath = [state]while not done:action = np.argmax(self.q_table[state])state, _, done = self.env.step(action)path.append(state)print("Path taken:", path)# 主程序
if __name__ == "__main__":# 定义网格世界rows, cols = 5, 5start = (0, 0)goal = (4, 4)env = GridWorld(rows, cols, start, goal)# 初始化 Q-learningq_learning = QLearning(env, alpha=0.1, gamma=0.99, epsilon=0.1, episodes=1000)# 训练q_learning.train()# 测试q_learning.test()

三、DQN

深度强化学习算法中值函数或策略函数一般使用深度神经网络逼近或近似，用参数化的状态-动作值函数 Q(s, a; θ) 逼近 Q(s, a)，可如下表示
在这里插入图片描述
深度强化学习算法在更新过程中不直接对状态-动作值函数Q(s, a; θ) 的数值进行更新，而是更新近似状态-动作值函数Q(s, a; θ) 的深度神经网络模型参数 θ，可表示为

3.1 Experience Replay 经验回放

经典的 DQN 算法中有一个关键技术，叫经验回放。智能体在与环境交互过程中获得的经验数据会保存在经验池（Replay Buffer）之中。经验池中的数据存放形式如下：
在这里插入图片描述
经验池存储满后，我们可以将旧的经验样本数据剔除，保存新的经验样本数据.

from collections import deque
# 创建一个最大长度为 5000 的 deque
dq = deque(maxlen=5000)
# 向 deque 中添加元素
for i in range(5005):dq.append([单一经验条(见Eq.5)])

经验存储

self.replay_buffer = deque(maxlen=buffer_size) ##预先定义的存储池，下为存储命令
def store_experience(self, state, action, reward, next_state, done):self.replay_buffer.append((state, action, reward, next_state, done))

批量采样

batch = random.sample(self.replay_buffer, self.batch_size)
###上面是抽样，下面是数据格式转化
states, actions, rewards, next_states, dones = zip(*batch)states = torch.tensor(states, dtype=torch.float32)
actions = torch.tensor(actions, dtype=torch.int64)
rewards = torch.tensor(rewards, dtype=torch.float32)
next_states = torch.tensor(next_states, dtype=torch.float32)
dones = torch.tensor(dones, dtype=torch.float32)

3.2 目标网络

目标：我们要更新 $Q(s,a;\theta)$ 中的参数 $\theta$ ,那么具体怎么更新呢？
已知：

Q-learning的更新公式 (Eq.1 )，有当前的状态-动作值Q(s,a)(Q表格中的值与真正的值有误差的) 会随着迭代关系逐渐接近真正的状态-动作值。
$+\gamma \max_{a'} Q(s',a')$ =当下奖励+未来的增益
$Gain_t =r +\gamma Gain_{t+1}$
在Q-learing中其实默认了一种策略，就是选择next_state中best_next_action.即选择使下一个状态收益最大的动作。
由于Q-表格是有限的，随着迭代次数的增加，所以状态是会大量重复出现，且(状态-动作值)会逐渐有区分，所以会有
DQN算法根据Q-learn改编过来的。即有目标如下：
$Q(s,a；\theta) \to \quad (r+\gamma \max_{a'}Q(s',a';\theta^*))$
且有 $\theta$ 是当下的策略， $\theta^*$ 是最终的最佳策略。那么显然，当我们处于 $\theta$ 的策略的时候(起点)，我们无法直接找到 $\theta^*$ (终点).为什么不能直接找到？(因为可能不收敛)

测试：
假设有一个DQN网络已经定义好了(如3.3)。那么智能体有 Q-网络(即状态-动作值函数网络), 优化器, 损失函数.如下所示：

class DQN_Agent:def __init__(self,)###省略了很多self.q_network = DQN(self.state_dim, self.action_dim) #在线网络，Q网络self.optimizer = optim.Adam(self.q_network.parameters(), lr=self.lr)#优化器self.loss_fn = nn.MSELoss() #损失函数

没有目标网络直接优化：

$Q_{target}=R^t+ \gamma \cdot \max Q(nextstate ,action)$
$Q_{calculate} =Q(currentstate)$

###没有目标网络的时候，计算Q_target是用相同的Q网络计算的
q_values = self.q_network(states) #Q(current_state)
next_q_values = self.q_network(next_states) #Q(next_curente)
q_target = q_values.clone()for i in range(self.batch_size):if dones[i] == 1:q_target[i, actions[i]] = rewards[i]else:q_target[i, actions[i]] = rewards[i] + self.gamma * torch.max(next_q_values[i])loss = self.loss_fn(q_values, q_target)
self.optimizer.zero_grad()
loss.backward()
self.optimizer.step()

❓问题：Q 网络的更新可能会导致目标值（q_target）和预测值（q_values）之间的相关性过高。这种高相关性会导致训练过程不稳定，甚至发散。
✋解决：我们在中间增加了一个目标网络Target network作为中点(过渡点)。
目标网络的作用
目标网络是一个固定频率更新的网络，它的参数不是每次训练都更新，而是定期从主网络（也称为在线网络）复制过来。这样做的目的是为了降低目标值和预测值之间的相关性，从而提高训练的稳定性

目标网络同原来的神经网络(被称为行为网络behavior network) 的结构完全相同.因此，Q网络(在线网络，动作-状态值函数网络)初始化。
初始阶段：根据设定的结构和随机初始化参数 $\theta$ . 见方法一中，参数结构分为三层：输入层self.fc1(设定的是全连接网络)，隐藏层self.fc2(设定的是全连接)，输出层self.fc3(设定的是全链接网络)。而方法二中，我们增加新的结构(即卷积网络)，也固定了 $\theta$ 的参数的随机初始化(高斯分布)。
初始阶段目标网络同Q网络相同。只是更新频率和更新方式不同！！！ Q-网络是通过优化器(根据梯度下降法)每次迭代更新一次参数，Target-网络更新速度慢于前者，且是通过直接复制参数的方法更新！

### 目标网络 初始的复制过程
self.q_network = DQN(self.state_dim[0], self.action_dim)  # 在线网络
self.target_network = DQN(self.state_dim[0], self.action_dim)  # 目标网络，结构复制
self.target_network.load_state_dict(self.q_network.state_dict())  # 初始化目标网络，参数复制self.target_network.eval()  # 设置为目标网络模式
self.optimizer = optim.Adam(self.q_network.parameters(), lr=self.lr)
self.loss_fn = nn.MSELoss()
self.target_update_frequency = target_update_frequency  # 目标网络更新频率
self.update_count = 0  # 更新计数器####中间省略了
#####更新频率 ，q_values = self.q_network(states)  # 使用在线网络计算 Q 值
next_q_values = self.target_network(next_states)  # 使用目标网络计算下一个状态的 Q 值 
####值得提醒的是，这里用的是taget_network，而不是Q_network,与上一段代码不同
q_target = q_values.clone()for i in range(self.batch_size):if dones[i] == 1:q_target[i, actions[i]] = rewards[i]else:q_target[i, actions[i]] = rewards[i] + self.gamma * torch.max(next_q_values[i])loss = self.loss_fn(q_values, q_target)
self.optimizer.zero_grad()
loss.backward()
self.optimizer.step() ###这一小部分是优化器对self.q_network的更新，即每轮训练就会更新一次Q-newrok# 更新目标网络
self.update_count += 1
if self.update_count % self.target_update_frequency == 0:self.target_network.load_state_dict(self.q_network.state_dict())##### 目标网络的更新的步幅是self.target_update_frequency ,且不是通过优化器更新的，而是直接对Q-network参数的复制

3.3 DQN的网络定义案例

## 方法一
class DQN(nn.Module):def __init__(self, input_dim, output_dim):super(DQN, self).__init__()self.fc1 = nn.Linear(input_dim, 128)self.fc2 = nn.Linear(128, 128)self.fc3 = nn.Linear(128, output_dim)def forward(self, x):x = torch.relu(self.fc1(x))x = torch.relu(self.fc2(x))x = self.fc3(x)return x
### 方法二：使用高斯分布对参数进行随机初始化
# 定义DQN网络
class DQN(nn.Module):def __init__(self, input_channels, output_dim):super(DQN, self).__init__()# 第一层：卷积层self.conv1 = nn.Conv2d(input_channels, 16, kernel_size=3, stride=1, padding=1)self.fc1 = nn.Linear(16 * 8 * 8, 128)  # 将卷积层的输出展平self.fc2 = nn.Linear(128, 128)self.fc3 = nn.Linear(128, output_dim)self.initialize_weights()def forward(self, x):x = torch.relu(self.fc1(x))x = torch.relu(self.fc2(x))x = self.fc3(x)return xdef initialize_weights(self):# 使用高斯分布初始化权重for layer in self.modules():if isinstance(layer, nn.Linear):nn.init.normal_(layer.weight, mean=0.0, std=0.1)  # 高斯分布，均值为0，标准差为0.1if layer.bias is not None:nn.init.constant_(layer.bias, 0.0)  # 偏置初始化为0

3.4 环境交互

在与环境交互过程中，智能体采用 ϵ-贪心策略生成轨迹，ϵ-贪心策略表示为
在这里插入图片描述
以代码为例

###选择动作的策略
def choose_action(self, state):if random.random() < self.epsilon:return random.randint(0, self.action_dim - 1) #随机选择else:state = torch.tensor(state, dtype=torch.float32).unsqueeze(0)  # 添加批次维度q_values = self.q_network(state)return torch.argmax(q_values).item() ##目标网络值最大的动作

3.5 损失函数

损失函数值得是预测值和实际值之间的误差。
实际值(或者说 TD目标值),根据公式定义来计算。
在这里插入图片描述

其损失函数代码和网络的更新见3.3 。

3.6 伪代码

在这里插入图片描述

四、DDQN

附录一：DQN案例代码

A.1 智能体

目标网络的引入：self.target_network 是目标网络，它的参数定期从在线网络（self.q_network）复制过来。在 __init__ 方法中，目标网络的参数初始化为在线网络的参数。
目标网络的更新：在 replay 方法中，使用目标网络计算下一个状态的 Q 值（next_q_values）。每次调用 replay 方法时，更新计数器 self.update_count 增加 1。当 self.update_count 达到目标网络更新频率（self.target_update_frequency）时，将在线网络的参数复制到目标网络。
目标网络的作用：目标网络的参数更新频率较低，这使得目标值（q_target）相对稳定，从而减少了目标值和预测值之间的相关性，提高了训练的稳定性。

class DQN_Agent:def __init__(self, env, lr=0.001, gamma=0.99, epsilon=1.0, epsilon_decay=0.995, min_epsilon=0.01, buffer_size=10000, batch_size=32, target_update_frequency=1000):self.env = envself.lr = lrself.gamma = gammaself.epsilon = epsilonself.epsilon_decay = epsilon_decayself.min_epsilon = min_epsilonself.buffer_size = buffer_sizeself.batch_size = batch_sizeself.replay_buffer = deque(maxlen=buffer_size)self.state_dim = (1, 8, 8)  # 输入维度：1 个通道，8x8 的图像self.action_dim = 4  # 动作维度 (上, 下, 左, 右)self.q_network = DQN(self.state_dim[0], self.action_dim)  # 在线网络self.target_network = DQN(self.state_dim[0], self.action_dim)  # 目标网络self.target_network.load_state_dict(self.q_network.state_dict())  # 初始化目标网络self.target_network.eval()  # 设置为目标网络模式self.optimizer = optim.Adam(self.q_network.parameters(), lr=self.lr)self.loss_fn = nn.MSELoss()self.target_update_frequency = target_update_frequency  # 目标网络更新频率self.update_count = 0  # 更新计数器def choose_action(self, state):if random.random() < self.epsilon:return random.randint(0, self.action_dim - 1)else:state = torch.tensor(state, dtype=torch.float32).unsqueeze(0)  # 添加批次维度q_values = self.q_network(state)return torch.argmax(q_values).item()def store_experience(self, state, action, reward, next_state, done):self.replay_buffer.append((state, action, reward, next_state, done))def train(self, episodes):for episode in range(episodes):state = self.env.reset()done = Falsewhile not done:action = self.choose_action(state)next_state, reward, done = self.env.step(action)self.store_experience(state, action, reward, next_state, done)state = next_stateif len(self.replay_buffer) > self.batch_size:self.replay()self.epsilon = max(self.min_epsilon, self.epsilon * self.epsilon_decay)if (episode + 1) % 100 == 0:print(f"Episode {episode + 1}/{episodes} completed, epsilon: {self.epsilon:.4f}")def replay(self):batch = random.sample(self.replay_buffer, self.batch_size)states, actions, rewards, next_states, dones = zip(*batch)states = torch.tensor(states, dtype=torch.float32)actions = torch.tensor(actions, dtype=torch.int64)rewards = torch.tensor(rewards, dtype=torch.float32)next_states = torch.tensor(next_states, dtype=torch.float32)dones = torch.tensor(dones, dtype=torch.float32)q_values = self.q_network(states)  # 使用在线网络计算 Q 值next_q_values = self.target_network(next_states)  # 使用目标网络计算下一个状态的 Q 值q_target = q_values.clone()for i in range(self.batch_size):if dones[i] == 1:q_target[i, actions[i]] = rewards[i]else:q_target[i, actions[i]] = rewards[i] + self.gamma * torch.max(next_q_values[i])loss = self.loss_fn(q_values, q_target)self.optimizer.zero_grad()loss.backward()self.optimizer.step()# 更新目标网络self.update_count += 1if self.update_count % self.target_update_frequency == 0:self.target_network.load_state_dict(self.q_network.state_dict())def test(self):state = self.env.reset()done = Falsepath = [state]while not done:state = torch.tensor(state, dtype=torch.float32).unsqueeze(0)  # 添加批次维度q_values = self.q_network(state)action = torch.argmax(q_values).item()state, _, done = self.env.step(action)path.append(state)print("Path taken:", path)

A.2 网络结构

输入层：输入是一个 8x8 的灰度图像，通道数为 1。输入维度为 (batch_size, 1, 8, 8)。
第一层：卷积层：使用 nn.Conv2d，输入通道为 1，输出通道为 16，卷积核大小为 3x3，步长为 1，填充为 1。输出维度为 (batch_size, 16, 8, 8)。应用 ReLU 激活函数。
第二层：全连接层：将卷积层的输出展平为一维张量，维度为 (batch_size, 16 * 8 * 8)。使用 nn.Linear，输入维度为 16 * 8 * 8，输出维度为 128。应用 ReLU 激活函数。
第三层：全连接层：使用 nn.Linear，输入维度为 128，输出维度为 128。应用 ReLU 激活函数。
输出层：使用 nn.Linear，输入维度为 128，输出维度为 output_dim（动作数量，这里是 4）。输出层不使用激活函数，直接输出 Q 值。

class DQN(nn.Module):def __init__(self, input_channels, output_dim):super(DQN, self).__init__()# 第一层：卷积层self.conv1 = nn.Conv2d(input_channels, 16, kernel_size=3, stride=1, padding=1)# 第二层：全连接层self.fc1 = nn.Linear(16 * 8 * 8, 128)  # 将卷积层的输出展平# 第三层：全连接层self.fc2 = nn.Linear(128, 128)# 第四层：输出层self.fc3 = nn.Linear(128, output_dim)self.initialize_weights()def forward(self, x):x = torch.relu(self.conv1(x))  # 第一层卷积后应用 ReLUx = x.view(x.size(0), -1)  # 展平x = torch.relu(self.fc1(x))  # 第一层全连接后应用 ReLUx = torch.relu(self.fc2(x))  # 第二层全连接后应用 ReLUx = self.fc3(x)  # 输出层return xdef initialize_weights(self):# 使用高斯分布初始化权重for layer in self.modules():if isinstance(layer, nn.Conv2d) or isinstance(layer, nn.Linear):nn.init.normal_(layer.weight, mean=0.0, std=0.1)  # 高斯分布，均值为0，标准差为0.1if layer.bias is not None:nn.init.constant_(layer.bias, 0.0)  # 偏置初始化为0

A.3 环境

环境结构说明：

网格世界：网格世界是一个 8x8 的网格，智能体可以在其中向上、下、左、右移动。智能体的目标是从起点 start 到达终点 goal。
状态表示：智能体的状态是一个二维坐标 (x, y)。状态被转换为一个 8x8 的灰度图像，智能体的位置用 1 表示，其余位置用 0 表示。
奖励机制：每一步的奖励为 -1。到达目标位置的奖励为 100。
输入维度：环境的输入是一个 8x8 的灰度图像，通道数为 1。输入维度为 (1, 8, 8)。

class GridWorld:def __init__(self, rows, cols, start, goal):self.rows = rowsself.cols = colsself.start = startself.goal = goalself.state = startdef reset(self):self.state = self.startreturn self.state_to_image(self.state)def step(self, action):x, y = self.stateif action == 0:  # 上x = max(x - 1, 0)elif action == 1:  # 下x = min(x + 1, self.rows - 1)elif action == 2:  # 左y = max(y - 1, 0)elif action == 3:  # 右y = min(y + 1, self.cols - 1)self.state = (x, y)reward = -1  # 每一步的惩罚done = self.state == self.goalif done:reward = 100  # 到达目标的奖励return self.state_to_image(self.state), reward, donedef state_to_image(self, state):# 将状态转换为 8x8 的灰度图像img = np.zeros((8, 8), dtype=np.float32)img[state[0], state[1]] = 1.0  # 将智能体的位置设置为 1return img