【强化学习】基于蒙特卡洛MC与时序差分TD的简易21点游戏应用

1. 本文将强化学习方法（MC、Sarsa、Q learning）应用于“S21点的简单纸牌游戏”。

类似于Sutton和Barto的21点游戏示例，但请注意，纸牌游戏的规则是不同且非标准的。

2. 为方便描述，过程使用代码截图，文末附链接。（如果耐心读完的话）

一. S21环境实现

游戏的规则我们设置如下：

1. 游戏是用无限副牌进行的（即用替换牌进行采样）
2. 从牌组中抽取的每一张牌的值都在1到10之间（均匀分布），颜色为红色（概率0.4）或黑色（概率0.6）。
3. 此游戏中没有王牌或图片牌。
4. 在游戏开始时，玩家和发牌人都抽到一张黑卡（双方都可以完全观察）
5. 每轮玩家可以选择停止拿牌stick或继续拿牌hit
6. 如果玩家hit，则从牌组中抽取另一张牌
7. 如果玩家stick，她将不会收到更多的牌
8. 黑色牌会增加玩家的牌值，红色牌不改牌值（等于无效）
9. 如果玩家的总和超过21，或小于1，则她将输掉游戏（奖励-1）
10. 如果玩家stick，则发牌人开始它的回合。对于大于等于20的总和，庄家总是保持stick，否则就会继续拿牌hit。如果经销商爆牌，则玩家获胜；否则总和最大的玩家获胜。
11. 获胜（奖励+1）、失败（奖励-1）或平局（奖励0）

相比复杂的21点游戏，本游戏主要简化如下：
1.?? ?可以无视前面已发的牌的牌面，不需要根据开始拿到的牌来推断后续发牌的概率。
2.?? ?庄家和玩家分开游戏，并非轮流决定拿牌还是弃牌。
3.?? ?牌值从1-10，且1的值不会变化。
4.?? ?庄家策略固定，总和<20时持续拿牌。

根据任务1，我们针对上述规则定义相关类如下：

环境类Envi功能如下：

1. 主要记录当前玩家和庄家的卡牌，游戏是否结束。
2. 在玩家每步step之后 ，返回新的状态、奖励、是否结束标志。
3. 当玩家选择stick之后，将后续的所有庄家操作纳入环境中计算。（任务1要求）

游戏的每步操作step逻辑如下：（其中在玩家决策内更新当前的奖励和状态，存储在环境类对象上）

?

玩家的取牌、弃牌实现如下：

1. 当玩家取牌时，增加一张牌到player_cards中，并且更新状态和奖励
2. 当玩家弃牌时，转为庄家操作（取牌直到20以上），结束后判定胜负。

实现发牌的操作如下图所示，在1-10之间选择卡牌，并且依照概率赋予颜色。开局必发黑牌。

最后，我们根据双方牌值，计算是否发生爆牌的情况或者胜负情况。若玩家仍可继续选择，则继续游戏，更新状态和奖励。

二.?游戏代理实现

2.1 通用代理（玩家类）

我们定义通用代理具有选择动作和训练的基本方法。后续通过不同的策略代理进行继承并实现。（蒙特卡洛代理、Sarsa代理、Q-learning代理）

2.2 蒙特卡洛代理

2.2.1 算法过程

蒙特卡洛方法是一种模型无关（Model Free）的方法，这意味着我们需要通过模拟多次环境交互来估计出策略价值函数。

评估基本步骤如下：

1. 生成轨迹： 在每一轮蒙特卡洛模拟中，从环境的初始状态开始，根据当前的策略生成一个完整的轨迹（也称为episode）。轨迹包括状态、动作和即时奖励的序列，直到达到终止状态。
2. 计算回报： 对于轨迹中的每个状态，计算从该状态开始的累积回报。回报是从当前状态开始，经过一系列动作和环境反馈后获得的奖励的总和 。在这一环节，我们采用First-Visit MC这种方法，只考虑在一个episode中首次访问某个状态时计算的回报。如果同一个状态在同一个episode中被多次访问，只有第一次访问的回报会被计算在内。这样的话，一个状态在一个episode中只有一个相关的回报值。
3. 更新价值函数： 使用得到的回报更新每个状态的价值函数。具体地，对于每个状态，将其之前的价值估计更新为其在多次模拟中获得的平均回报。
4. 重复模拟： 重复执行多次模拟，不断累积对状态价值函数的估计。
5. 收敛： 当状态价值函数的估计不再发生显著变化时，认为蒙特卡洛策略评估已经收敛。

即基本过程如下：

基于上述分析，我们定义蒙特卡洛代理如下：

其中属性为折扣因子（默认为1），贪心策略的参数ε，以及计算状态和选择动作的次数N、所有回报总和Gs以及状态价值函数V

2.2.2 动作选择

由于蒙特卡洛需要靠初始策略进行采样，我们设置其采样策略为epsilon 贪心的策略。此策略也可以保证玩家在前期尽可能地去探索，到达所有的牌值状态。

2.2.3 Q值更新

由上图可知，我们采取求累计回报后，再平均更新Q值的方法。实现为：

为了提高性能，我们优化实现为增量式更新期望。

2.2.4 训练agent

训练方法设置如下，在每个迭代里面存储过往的数据到episode，并最后更新状态价值。由于初始的获胜率较低，我们在迭代过程中逐步降低epsilon，以在初期explore，后期exploit。

2.2.5 测试agent

我们定义main方法，用于测试并为比较后续不同策略的agent表现。

在测试方法test_agent中，我们采取模型认为的最优策略进行游戏，测试10000局并统计游戏结果，计算模型胜率。

执行结果如下，我们训练10万次后再测试1万次。并且统计每1万次的结局分布。不难发现结局为“庄家爆牌”的概率随着训练次数的增加而不断增加。

我们可以看到庄家在小于20点持续拿牌的固定策略会导致庄家爆牌的概率极大，但是在不爆牌的情况下，庄家牌值大于玩家牌值的概率较大。综合两者，在多次测试后，可知蒙特卡洛代理的胜率可达66%。

2.2.6 效果分析

为了便于分析，我们编写一个三维可视化的工具函数，主要绘制三幅图：

1. x、y轴分别表示“庄家初始牌值”，“玩家牌值”，纵轴z轴表示选择第0个动作（Action.STICK）的价值。
2. 平面的x、y轴分别表示“庄家初始牌值”，“玩家牌值”，纵轴z轴表示选择第1个动作（Action.HIT）的价值。
3. 平面的x、y轴分别表示“庄家初始牌值”，“玩家牌值”，纵轴z轴表示选择两个动作的平均价值。

主要代码如下：

呈现效果如下：

下面我们逐个分析：

• Action.Stick：操作的q值均为正，当牌值逼近21的时候，q值可达到0.8附近，由于+1为胜利的奖励，这也预示着此时胜利概率极大。而由于庄家采取的是低于20牌值持续拿牌的激进策略（容易爆牌）。这意味着选择一个适中的牌值就停止拿牌是一个好的策略。

• Action.HIT：操作中Q值存在一些负值，尤其是玩家牌值接近20时，此时拿牌大概率会爆牌，故接近失败的惩罚-1。而在初始牌值小于10的时候，颜色均为浅绿色，此时的agent拿牌会得到一定的奖励。

• 平均价值：
  • 对比庄家牌轴后，可知在本次实验环境下，仅依靠庄家的初始牌的信息，对玩家决策的意义较小。
  • 当玩家牌值约为10时，此时价值较高。牌值从17到20，风险高，Q值较低。

最后通过FuncAnimation库函数实现每隔1000次训练记录，总计100帧的gif。可以看到，随着时间迭代，agent采取单个动作的q_value坡度会渐渐变得平缓。而由于HIT与STICK方法在逼近21点牌值后的决策结果会有较大的不同，所以导致平均价值即便在后期有锯齿状的表面。（相较后续的TD方法，收敛十分平缓。）

2.3 Sarsa代理

2.3.1 算法过程

State-Action-Reward-State-Action这个名称清楚地反应了其学习更新函数依赖的5个值，分别是当前状态S1，当前状态选中的动作A1，获得的奖励Reward，S1状态下执行A1后取得的状态S2及S2状态下将会执行的动作A2。

这是一种在线更新Q值的算法，算法流程大致如下：

其中在每个episode中，都通过episilon贪心策略选择一个动作，并通过G乘以α（学习率）来更新状态价值Q，重复步骤直到收敛。这里的预期回报G是单步TD（0），即只考虑未来一步收益的。

2.3.2 训练agent

显然，Sarsa代理的最佳决策依旧是选择最优的Q值，而与蒙特卡洛不同只是更新方法。故这里仅展示Sarsas的核心代码，不再赘述相同部分。

如下所示，为依据上述算法流程实现的训练代码。需要注意的是，当这个状态是最后一个状态时，我们需要判断是否为结束，并且去除公式中下一个状态的Q值。

我们依据公式：

实现如下更新Q值函数：

2.3.3 效果分析

依据上述相同方法，训练10万次并每隔1万次记录对局结果。结果如下：Sarsa的胜率约为0.63，比MC方法（0.66）稍低一点。但是联合MC方法的测试结果可知，胜利原因大部分是因为庄家爆牌而引起。

同MC方法进行可视化，可以得到动作STICK、HIT以及平均的状态价值图。

由上图可知，

1. 动作STICK和HIT的最优价值分布的牌值区间恰好相反：
   1. 对于STICK操作而言，牌值越小，STICK奖励越低。牌值接近21时，STICK操作价值越高。
   2. 对于HIT操作而言，牌值越大，HIT奖励越低。牌值越小，HIT操作价值越高。
2. 两者均在牌值约为12的情况下，产生较大的价值差异。分析可知，当牌值取得12时，HIT操作就有可能溢出。
3. 从平均结果来看，保持牌值在11以下的平均价值大于高牌值的情况。
4. 相比于MC方法的可视化图像，Sarsa方法的价值平面明显更加平滑。

我们取100帧（每帧迭代训练1000次），fps=5的图像叠加为gif查看价值函数的动态收敛过程，除去平均结果外，但看动作STICK与HIT都可清晰地观测到其中变化幅度较大。

2.4 Q-learning代理

2.4.1 算法流程

和Sarsa类似，q-learning也是单步TD方法，但不同的是，它是离线学习的，通过选择当前状态下价值最大的动作来更新Q值。更新公式中使用了max操作。核心公式如下：

算法流程如下图所示：

2.4.2 Q值更新

依据上述公式，我们在Sarsa代理的基础上修改值更新部分。核心的“Q值更新”实现如下：

2.4.3 效果分析

同理，我们测试了Q-learning代理对局结果如下：其胜率为0.6378，与Sarsa代理大致相当。

不同动作的价值函数可视化部分如下：大致分布也与Sarsa代理相同。可知在两者收敛的情况下，Q-learning与Sarsa代理实现的策略与效果都是相当的。

观察其收敛过程（1000次训练记录一帧，共100帧），QLearning的迭代过程变化幅度同Sarsa方法，比MC方法更加剧烈。

三. 对比分析

3.1 胜率分析

通过wandb可视化三种代理的胜率情况，我们设置每隔1000次训练进行一次测试，，一共进行100轮。（总计10万次训练）每次测试通过1000次游戏来获取胜率。结果如下：

由图可知，胜率较快进入收敛情况，我们采取Smooth可知MC与TD方法的趋势。其中MC方法越到后面（训练10万次后）仍有提升胜率的趋势，而Q-learning与Sarsa方法反而有胜率降低的趋势。（有可能陷入局部最优解。）

我们缩小训练步长，调整为每隔100次记录1点。得到曲线如下：可以看到，在小规模情况下的三种代理的胜率具有一定的提升，但是幅度较少。

3.2 均方误差对比

我们将三种代理两两比较Q值的均方差，得到三条曲线如下：

红色为sarsa与qlearning的均方差对比，初始两者相似，随着训练两者均方差有略微提升，后期又会降低。而橙色和蓝色的曲线分别为sarsa、qlearning与mc方法的均方差，初始差异较大，但是后期随着训练增大，也渐渐收敛趋于一致。

3.3 总结

本次实验所应用的三种策略Q-learning、Sarsa和蒙特卡洛都是解决强化学习问题的算法，它们在学习过程中都通过与环境的交互来优化策略。且都用于值函数估计，这三种算法的目标都是学习状态或状态动作对的值函数，即Q值或V值。

区别：

• 更新方式不同：

Q-learning： 使用了离线学习的方式，通过选择当前状态下值最大的动作来更新Q值。更新公式中使用了max操作。

Sarsa： 使用在线学习的方式，通过选择当前状态下的某个动作来更新Q值。更新公式中使用了当前实际选择的动作。

蒙特卡洛： 通过整个回合（episode）的经验来更新值函数，它直接使用了整个回合的累积奖励。

• 探索策略不同：

Q-learning和Sarsa： 使用ε-greedy策略进行探索，以一定概率随机选择动作，以概率1-ε选择当前估计值最高的动作。

蒙特卡洛： 通过在整个回合内的探索来学习。

• 适用场景不同：

Q-learning： 适用于离散状态和动作的问题，能够在未知模型的情况下学习最优策略。

Sarsa： 同样适用于离散状态和动作的问题，但由于使用在线学习，更适合实时决策。

蒙特卡洛： 适用于离散或连续状态和动作的问题，更擅长处理整个回合的经验。

四. 最终代码

https://github.com/YYForReal/ML-DL-RL-Learning/tree/main/RL-Learning/MC_TD_S21