update

docs/chapter3/README.md

@@ -0,0 +1,100 @@
+# 使用Q-learning解决悬崖寻路问题
+
+## CliffWalking-v0环境简介
+
+悬崖寻路问题（CliffWalking）是指在一个4 x 12的网格中，智能体以网格的左下角位置为起点，以网格的下角位置为终点，目标是移动智能体到达终点位置，智能体每次可以在上、下、左、右这4个方向中移动一步，每移动一步会得到-1单位的奖励。
+
+<img src="../../codes/Q-learning/assets/image-20201007211441036.png" alt="image-20201007211441036" style="zoom:50%;" />
+
+如图，红色部分表示悬崖，数字代表智能体能够观测到的位置信息，即observation，总共会有0-47等48个不同的值，智能体再移动中会有以下限制：
+
+* 智能体不能移出网格，如果智能体想执行某个动作移出网格，那么这一步智能体不会移动，但是这个操作依然会得到-1单位的奖励
+
+* 如果智能体“掉入悬崖” ，会立即回到起点位置，并得到-100单位的奖励
+
+* 当智能体移动到终点时，该回合结束，该回合总奖励为各步奖励之和
+
+实际的仿真界面如下：
+
+<img src="../../codes/Q-learning/assets/image-20201007211858925.png" alt="image-20201007211858925" style="zoom:50%;" />
+
+**由于从起点到终点最少需要13步，每步得到-1的reward，因此最佳训练算法下，每个episode下reward总和应该为-13**。
+
+
+
+## RL基本训练接口
+
+```python
+    env = gym.make("CliffWalking-v0")  # 0 up, 1 right, 2 down, 3 left
+    env = CliffWalkingWapper(env)
+    agent = QLearning(
+        obs_dim=env.observation_space.n,
+        action_dim=env.action_space.n,
+        learning_rate=cfg.policy_lr,
+        gamma=cfg.gamma,
+        epsilon_start=cfg.epsilon_start,epsilon_end=cfg.epsilon_end,epsilon_decay=cfg.epsilon_decay)
+    render = False # 是否打开GUI画面
+    rewards = [] # 记录所有episode的reward
+    MA_rewards = []  # 记录滑动平均的reward
+    steps = []# 记录所有episode的steps
+    for i_episode in range(1,cfg.max_episodes+1):
+        ep_reward = 0 # 记录每个episode的reward
+        ep_steps = 0 # 记录每个episode走了多少step
+        obs = env.reset()  # 重置环境, 重新开一局（即开始新的一个episode）
+        while True:
+            action = agent.sample(obs)  # 根据算法选择一个动作
+            next_obs, reward, done, _ = env.step(action)  # 与环境进行一个交互
+            # 训练 Q-learning算法
+            agent.learn(obs, action, reward, next_obs, done)  # 不需要下一步的action
+
+            obs = next_obs  # 存储上一个观察值
+            ep_reward += reward
+            ep_steps += 1  # 计算step数
+            if render:
+                env.render()  #渲染新的一帧图形
+            if done:
+                break
+        steps.append(ep_steps)
+        rewards.append(ep_reward)
+        # 计算滑动平均的reward
+        if i_episode == 1:
+            MA_rewards.append(ep_reward)
+        else:
+            MA_rewards.append(
+                0.9*MA_rewards[-1]+0.1*ep_reward) 
+        print('Episode %s: steps = %s , reward = %.1f, explore = %.2f' % (i_episode, ep_steps,
+                                                          ep_reward,agent.epsilon))                                 
+        # 每隔20个episode渲染一下看看效果
+        if i_episode % 20 == 0:
+            render = True
+        else:
+            render = False
+    agent.save() # 训练结束，保存模型
+```
+
+## 任务要求
+
+训练并绘制reward以及滑动平均后的reward随epiosde的变化曲线图并记录超参数写成报告，图示如下：
+
+![rewards](assets/rewards.png)
+
+![moving_average_rewards](assets/moving_average_rewards.png)
+
+### 代码清单
+
+**main.py**：保存强化学习基本接口，以及相应的超参数，可使用argparse
+
+**model.py**：保存神经网络，比如全链接网络
+
+**agent.py**: 保存算法模型，主要包含predict(预测动作)和learn两个函数
+
+**plot.py**：保存相关绘制函数
+
+
+
+## 备注
+
+* 注意 e-greedy 策略的使用，以及相应的参数epsilon如何衰减
+* 训练模型和测试模型的时候选择动作有一些不同，训练时采取e-greedy策略，而测试时直接选取Q值最大对应的动作，所以算法在动作选择的时候会包括sample(训练时的动作采样)和predict(测试时的动作选择)
+
+* Q值最大对应的动作可能不止一个，此时可以随机选择一个输出结果