问题描述：

如图所示，宝藏在红色方块处，黑色方块为障碍物。在起点已确定的前提下，找到一条去往红色方块的最近路线（起点可以是图上任意一个方块）。

解决思路：

最核心的思想来源于我的上一篇文章【Q-learning系列】解决“房间问题”的一个通用方法 ，如果可以的话，最好先了解一下。下面我就对从整体上总结一下如何利用Q-learning去解决这么一个简单的寻路问题。

1. 对地图重采样，将482x482的地图简化为一个20x20的矩阵，其中1表示无障碍可通行方块，0表示不可通行方块。

2. 对图中的每一个方格做状态编号。计算PossibleAction矩阵，即每一个状态所对应的动作的可行性的集合。其动作值可行时为1，不可行时为0。总共可行的动作有上下左右四种。

3. 利用PossibleAction矩阵计算奖励矩阵，可通行到红色方块的动作值奖励100，其余可行的动作值奖励为0，不可通行的奖励为-1。

4. 将PossibleAction矩阵和奖励矩阵带入，开始进行Q-learning。

5. Q-learning结束后计算产生Q-Table，从某一个状态开始，找寻Q-Table中值最大所对应的动作，得到下一个状态，以此循环，最终到达红色方块，即为最短路线。

6. 用20x20的矩阵标记出走过的轨迹，再将其还原为482x482的图片显示出来。

那我们就先上结果吧，这样看着比较直观，左图起点为左上角的方块，坐标为(1, 1)，沿着最短路线到达终点，红色方块。右图起点为下方偏右的方块，坐标为(14, 16)：

接下来我们再对这个解决思路的实现进行逐条解释，所遇到的问题进行逐个解决。

问题分析与方法实现：

首先是第一条，对地图的重采样。这个很简单，先检测一个格子的像素数，采样点就放在每个格子的中心位置。这里每个格子是由24x24个像素点组成，共有20x20个格子，还有两个2x480个像素点是边框的黑线。对于一个24x24的格子来说，中心位置就是坐标(13, 13)，所以在遍历482x482个像素点时，假设每个像素点的坐标为(x, y)，中心点坐标(Px, Py)一定满足（mod为取余计算）：

二、三两点实际上可以整合到第四点，也就是说PossibleAction矩阵和Reward矩阵（奖励矩阵）可以不进行单独计算，在Q-learning的过程中也可进行赋值，其本质上就是动态Q-Table的计算处理，日后有机会在做展开，这里讨论的依然限制在严格Q-Table的计算中，也就是说Q-Table的size是固定的，状态的数量也是固定的，像对于这个有着20x20个方格学习的实例，有且只有400个状态。显然，Q-Table的size就是400x4，PossibleAction矩阵和奖励矩阵同样也为400x4。

这里必须要讨论的一点就是PossibleAction矩阵和奖励矩阵之间的关系。PossibleAction矩阵的4列表示4种可行的动作，每一行表示当前所处的状态。举个例子，如下给出一个400x4的PossibleAction矩阵：

在这个PossibleAction矩阵中，UDLR分别为up, down, left, right，即为上下左右四个动作。如若当前状态为1，做向上移动的动作，可以表示为PossibleAction(state = 1, action = U) = 0，结果为0表示不可行。如若当前状态为1，做向下移动的动作，PossibleAction(state = 1, action = D) = 1，结果为1表示可行。这里使用图像表示或更为直观，图中清楚的表示出了处于状态1只可向下或向右移动。

奖励矩阵(Reward Matrix)和PossibleAction矩阵的维度相同，且行列意义相同，但矩阵内的值不同。这里我们实行一种最简单的奖励策略。这里我们用R(i, j)表示奖励矩阵中的第i行第j列的元素之值，“i”表示第i个状态，“j”表示动作j。

不难看出，R(state, action) = -1或0的情况与PossibleAction(state, action) = 0或1的情况是有重叠的，且满足前一种情况的state和action是满足后一种情况的state和action的子集。Reward矩阵和PossbleAction矩阵最大的不同点在于，可以到达目标的状态动作的Reward值为100，而对于PossibleAction而言只是一个可行的状态动作而已，值依旧为1。这个区别也是Q-learning中的Q-Table可以收敛的重要依据之一。如果我们使用图示的方法来表述就更为直观了。

如图所示，只有这三种情况的Reward值可以为100。为什么说这样的奖励策略可以使得所有状态的Q值的最大值收敛于一个最佳的可行的动作上。事实上，这里可以分割为两个问题：

• 为什么要讨论Q的最大值？

• 为什么这样可以收敛？

Q-learning的本质：

这就牵涉到了Q-learning的本质机理。我们先来解决第一个问题，解题思路中的第5点提到Q-Table中任意一个状态的所有动作中Q值最大的那个动作就是为了达到目标在当前状态下的最佳选择。所以当状态S的Q最大值收敛于动作A，那么动作A就是处于状态S的最佳选择。当然在理解了第二个问题的原理后，对一个问题也会有更深层的认识。在对第二个问题的解释之前，我们先做一个Q-learning探索者的模拟。模拟过程也是迭代过程的一部分。事实上，Q-learning中的Q-Table计算的迭代过程基本分为四个阶段：

• 第一阶段，探索者未接触过目标。在这一阶段，探索者的工作是无效的，也就是说无论探索者移动到何处，Q-Table中所有的值都为0。

• 第二阶段，探索者接触到了目标，但Q-Table中的最大值还未收敛。

• 第三阶段，目标点周围的状态点的Q值已经收敛完成，但并非所有状态的Q值都收敛了。

• 第四阶段，所有状态的Q值收敛，Q-learning完成。

我们着重讨论从第二阶段到第三阶段的过程，也就是Q值收敛的过程。迭代中的Q-Table的更新原则如下（在公式中，使用矩阵Q(s, a)表示Q-Table，sf和af表示下个状态动作集）：

基于这种Q-Table的刷新原则，在状态S下，新的Q值与之前的Q值没有任何直接的关系，我们姑且将其称之为无记忆刷新策略。接下来，依据无记忆刷新策略，从Q-Table值变化的第一步开始模拟。

• 第1步，从探索者处于状态S1，选择向下动作。下个状态即为目标状态，我们用St表示目标状态，Q(St, Any Action) = 0，依据无记忆刷新策略，可以得出，Q(S1, D) =  R(S1, D) = 100。

• 第2步，当探索者离开状态St到再次进入状态St之前，Q(S1, All Actions)的最大值都不会变化，但当探索者处于S2，选择向左动作，下个状态即为S1，Q(S1, All Action)的最大值为Q(S1, D)，依据无记忆刷新策略并假设gamma=0.8（gamma一定是小于1的），可以有：

  

• 第3步，类似的，计算出Q(S3, U) = 64

• 第4步，当探索者处于S3，选择向左动作，重新回到目标状态St，和第一步类似，可以求得Q(S3, L) = 100

• 第5步，还是step4，探索者回到目标状态St后，选择向右移动，下个状态即为S3，Q(S3, Actions)的最大值为Q(S3, L) = 100，那么和第二步类似，可以求得Q(St, R) = 80。

• 第6步，当探索者又处在状态S1，选择向下动作后，下一状态的Q(St, Actions)的最大值就变成了Q(St, R)，依据无记忆刷新策略，可以有：

  

如此从第1步到第6步，我们便完成了一个简单的对Q(S1, D)计算的一次循环过程。重复第1到第6步多次后，Q(S1, D)便可以收敛。如果，探索者的动作选择是完全随机的，第n次刷新的Q(S1, D)，Q(St, R)和Q(S3, L)之间一定存在如下关系：

联立上述的三个等式，可以得出：

很显然，Q(S1, D)是一个等比数列，可以求出其通项，已知在Q(S1, D)的初值是100，可得：

当n趋于正无穷时，也就是随着迭代次数的增加，毫无疑问地，Q(S1, D)的值是收敛的。当gamma值为0.8时，可以计算出，Q(S1, D)收敛于277.78，并且这里需要强调一点，状态S1周边的4个状态，比如S2和St都会收敛于状态S1的Q值最大值的0.8倍，以此类推到所有的400个状态，下图给出了每个方格Q峰值的分布图，左图为目标状态坐标(10,10)的情形，右图为目标状态坐标(3, 16)的情形，图中的红框即是目标状态点，图像颜色由黑到白表示出Q峰值由小到大。

注：左图中的纯黑块和右图中的纯白块为障碍块

这两幅图直观的解释了Q-Table解决寻路问题的终极机理。无论起点在哪，只要沿着比当前状态的Q值高的状态前进，一定会找到目标，而且一定是最近的路线。

下一篇文章主要对象依旧是“寻路问题”，本篇使用的是无记忆刷新策略，下一篇将会探讨一下新的Q-Table的刷新策略。

如需代码请参考：

https://github.com/JinyuGuan/Q-learning-Path-Finding.git