强化学习实操入门随笔

本文主要是介绍强化学习实操入门随笔，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

碎碎念：经过思考，打通底层逻辑，我认为未来ai的功能是在沟通领域代替人，未来人-人模式（媒介是死的语言，比如看古人留下的文字、聊天的暂时不在）会变成人-ai替身-人模式（符合本人想法的“预测个性化语言”）。由于沟通越来越虚拟化和低成本，以及各种模态（比如视频链接）的数字媒介比见面聊天效率更高，所以制作人的各种在虚拟数字空间的“替身”（模仿聊天、总结信息等秘书类事务）是很可能出现的重点问题。

一、先知道是什么

强化学习的目标是通过探索（尝试新动作）和利用（选择已知的最优动作）来学习最优策略，使得在长期内获得的奖励最大化。

智能体/代理（玩家） Agent：执行动作并学习如何优化行为的实体。

环境 Environment， 智能体与之交互并从中学习的世界。

行为 Action a ：智能体如何响应环境（一般来说是有限种行为）。所有可能的行为的集合称为 action-space（行为空间）。

状态 State s ：环境的当前特征。环境可以处于的所有可能状态的集合称为状态空间。

奖励 Reward r ：奖励是环境对智能体的关键反馈。它驱使代理学习并改变其未来的行动。多个时间步长的奖励聚合称为回报。

策略 Policy：代理根据当前状态选择动作的规则或方法，可以是确定性的或随机的。

价值函数 Value Function：用于评估某一状态或状态-动作对的好坏，以帮助智能体决策。

截图来自：【强化学习】一小时完全入门_哔哩哔哩_bilibili

这些或全部或部分的在代码中都会有对应的实体，详见后面

二、有什么可以去做？

（1）训练模型（Agent）

Train a Mario-playing RL Agent — PyTorch Tutorials 2.2.1+cu121 documentation

pytorch官方网站的教程，可以看看这个里面的Agent是怎么构建的，act接口就是一般的step接口。

2024-04-07 23:35:36摘录——

数字实体执行一座城市的所有任务，人工智能可以与数字世界甚至物理世界的一切事物进行交互，不断学习和适应新环境，周围的人对此司空见惯，仿佛一切都理应如此……Agent 可以翻译为“代理”，在 AI 领域有了“智能体“这一含义，是当前人工智能技术的发展方向，它可以代表用户执行任务并做出决策，具有高度的自主性和适应性。

为了驱动 AI Agents 工作流程的重大进展，吴恩达在演讲中提出了四种设计模式：反思、运用工具、规划、多智能体协同。每种设计模式引用了两篇论文，一共八篇。

“AI 程序员”席卷而来，吴恩达四步设计让 Agent 提前超越 GPT-5-CSDN博客

（2）研究算法（基于数据的、基于规则的）

（3）做平台（Environment）

用copilot可以轻松的生成一个字符界面的游戏吃豆人的代码，并且是带着强化学习基础接口风格（规则？）的代码，还可以框选解释代码，真好用。然后问GPT强化学习接口，出现了大段的切题回答，不由得去想真的是“太阳底下无新事（《旧约:传道书》第1章9节）”吗？

强化学习环境基础接口介绍：
def __init__(self):
def reset(self):
def step(self, action):
def render(self, mode='human'):
#态势、奖惩反馈、终止信号从上面的step函数获取
next_state, reward, done, _ = env.step(action)
在强化学习（Reinforcement Learning, RL）应用于游戏开发中，通常需要游戏提供一系列接口（API）来与RL算法进行交互。以下是一些常见的接口：

1. 状态接口（State Interface）-条件构设

功能: 该接口用于获取当前游戏的状态，通常是一个多维向量或矩阵，描述了游戏中的重要信息，如棋盘布局、角色位置、资源数量等。
用途: RL算法需要通过该接口了解当前的游戏情境，以便选择下一步动作。

2. 动作接口（Action Interface）-操控

功能: 允许RL算法对游戏做出决策并执行动作，如移动角色、攻击敌人、建造建筑等。
用途: 通过该接口，RL算法能够直接影响游戏的进行，并观察其动作带来的效果。

3. 奖励接口（Reward Interface）-评估

功能: 提供每个动作后游戏给出的即时反馈，通常是一个数值，表示动作的好坏。
用途: 奖励信号是RL算法学习策略的核心依据，帮助算法优化决策。

4. 重置接口（Reset Interface）-导调

功能: 允许重置游戏到初始状态，通常用于在每次训练迭代结束后重新开始游戏。
用途: 在训练过程中，算法会反复探索游戏中的各种可能性，因此需要频繁重置游戏。

5. 结束状态接口（Terminal State Interface）

功能: 检查游戏是否已经结束（如赢得比赛或游戏失败）。
用途: 确定训练过程是否需要结束并重置游戏，以便进行新的训练迭代。

6. 渲染接口（Rendering Interface）-态势显示

功能: 用于显示游戏画面，虽然对算法本身不直接有用，但在调试和可视化时非常重要。
用途: 开发者可以使用该接口监控游戏过程和算法决策，以更好地理解和优化算法。

7. 历史记录接口（History Interface）-回放

功能: 提供先前游戏状态和动作的记录，用于回溯和分析。
用途: 这种记录对于分析算法的学习过程和策略优化非常有帮助。

这些接口使得游戏能够与强化学习算法有效互动，支持算法在游戏环境中不断学习和改进策略。实际应用中，这些接口通常由游戏引擎或自定义的API提供，例如OpenAI Gym、Unity ML-Agents等。