用Python构建迷宫游戏5分钟直观理解马尔可夫决策过程从游戏视角看强化学习核心概念第一次接触强化学习中的马尔可夫决策过程MDP时那些晦涩的数学公式往往让人望而生畏。但如果我们换一个角度用编写迷宫游戏的方式来实现MDP的核心组件一切就会变得清晰起来。本文将带您用Python构建一个简单的迷宫环境在代码实践中理解状态、动作、转移概率和奖励这些关键概念。想象一下您正在设计一个2D迷宫游戏玩家从起点出发目标是找到出口。每走一步都会消耗体力负奖励找到出口获得大奖正奖励碰到墙壁则停留在原地。这个看似简单的游戏场景其实包含了MDP的所有要素。让我们用代码把它实现出来。1. 搭建迷宫游戏环境首先创建一个5x5的迷宫网格环境。我们将使用面向对象的方式构建便于后续扩展import numpy as np from typing import Tuple, Dict class MazeEnv: def __init__(self): # 定义迷宫布局0通路1墙2起点3终点 self.grid np.array([ [2, 0, 0, 0, 0], [0, 1, 1, 1, 0], [0, 1, 3, 0, 0], [0, 1, 0, 1, 0], [0, 0, 0, 1, 0] ]) self.start_pos (0, 0) # 起点坐标 self.current_pos self.start_pos self.actions [up, down, left, right] # 可用动作 def reset(self) - Tuple[int, int]: 重置环境到初始状态 self.current_pos self.start_pos return self.current_pos def step(self, action: str) - Tuple[Tuple[int, int], float, bool, Dict]: 执行动作并返回(next_state, reward, done, info) x, y self.current_pos reward -0.1 # 每步小惩罚鼓励尽快找到出口 # 根据动作计算新位置 if action up and x 0: new_pos (x-1, y) elif action down and x 4: new_pos (x1, y) elif action left and y 0: new_pos (x, y-1) elif action right and y 4: new_pos (x, y1) else: new_pos (x, y) # 无效动作保持原位 # 检查新位置属性 cell_value self.grid[new_pos] if cell_value 1: # 撞墙 new_pos (x, y) reward -0.5 elif cell_value 3: # 到达终点 reward 10.0 done True else: done False self.current_pos new_pos return new_pos, reward, done, {}这个环境已经包含了MDP的四个关键要素状态(State): 玩家的当前位置坐标 (x,y)动作(Action): 上下左右移动转移概率(Transition): 在step()方法中实现的状态转换逻辑奖励(Reward): 根据到达的格子类型给予不同奖励2. 实现MDP五元组现在让我们将迷宫游戏映射到MDP的数学定义上。一个完整的MDP由五元组(S, A, P, R, γ)构成2.1 状态空间(S)和动作空间(A)在我们的迷宫中S [(x,y) for x in range(5) for y in range(5) if env.grid[x,y] ! 1] # 所有非墙位置 A [up, down, left, right] # 可能的动作2.2 转移函数(P)转移函数P(s|s,a)定义了在状态s执行动作a后转移到状态s的概率。在我们的确定性环境中动作执行结果完全可预测def transition_prob(s: Tuple[int,int], a: str, s_next: Tuple[int,int]) - float: 计算P(s|s,a) x, y s if a up: expected (x-1, y) elif a down: expected (x1, y) elif a left: expected (x, y-1) elif a right: expected (x, y1) # 检查是否撞墙 if s_next expected and env.grid[s_next] ! 1: return 1.0 elif s_next s and (env.grid[expected] 1 or expected[0]0 or expected[0]4 or expected[1]0 or expected[1]4): return 1.0 return 0.02.3 奖励函数(R)奖励函数R(s,a,s)定义了在状态s执行动作a到达状态s时获得的即时奖励def reward_func(s: Tuple[int,int], a: str, s_next: Tuple[int,int]) - float: 计算R(s,a,s) if env.grid[s_next] 3: # 到达终点 return 10.0 elif s_next s: # 撞墙或无效移动 return -0.5 else: # 普通移动 return -0.12.4 折扣因子(γ)折扣因子γ∈[0,1]决定了未来奖励的现值。我们暂时设为0.9gamma 0.9 # 重视近期奖励3. 可视化状态转移与价值理解MDP的关键是看到状态之间的转移关系。我们可以用networkx库绘制状态转移图import networkx as nx import matplotlib.pyplot as plt def build_transition_graph(): G nx.DiGraph() for s in S: for a in A: for s_next in S: prob transition_prob(s, a, s_next) if prob 0: r reward_func(s, a, s_next) G.add_edge(s, s_next, actiona, probprob, rewardr) return G # 绘制状态转移图 G build_transition_graph() pos {(x,y): (y,-x) for x,y in G.nodes()} # 保持迷宫布局 plt.figure(figsize(10,8)) nx.draw(G, pos, with_labelsTrue, node_colorlightblue) edge_labels {(u,v): f{d[action]}\nR:{d[reward]:.1f} for u,v,d in G.edges(dataTrue)} nx.draw_networkx_edge_labels(G, pos, edge_labelsedge_labels, font_size8) plt.title(迷宫状态转移图) plt.show()这张图清晰地展示了每个状态节点动作导致的转移边每条边上的即时奖励撞墙时的自循环4. 实现随机策略与价值计算策略π(a|s)定义了在状态s下选择动作a的概率分布。我们先实现一个随机策略def random_policy(state: Tuple[int,int]) - Dict[str, float]: 均等随机选择动作 return {a: 0.25 for a in A}根据Bellman方程状态价值函数V(s)可以递归计算def calculate_value_function(policy, theta0.0001): 迭代计算给定策略下的状态价值函数 V {s: 0 for s in S} # 初始化价值函数 while True: delta 0 for s in S: v V[s] total 0 for a in A: action_prob policy(s)[a] for s_next in S: prob transition_prob(s, a, s_next) r reward_func(s, a, s_next) total action_prob * prob * (r gamma * V[s_next]) V[s] total delta max(delta, abs(v - V[s])) if delta theta: # 收敛判断 break return V让我们计算并可视化随机策略下的状态价值random_v calculate_value_function(random_policy) # 可视化价值函数 grid_v np.full((5,5), np.nan) for (x,y), v in random_v.items(): grid_v[x,y] v plt.imshow(grid_v, cmapviridis) plt.colorbar(labelState Value) for (x,y), v in random_v.items(): plt.text(y, x, f{v:.1f}, hacenter, vacenter) plt.title(随机策略下的状态价值) plt.axis(off) plt.show()从价值图中可以看到靠近终点的状态价值较高被墙阻挡的区域价值较低随机策略下整体价值不高5. 寻找最优策略MDP的最终目标是找到最优策略π*使得每个状态的价值最大化。我们可以使用策略迭代算法def policy_iteration(): # 1. 初始化随机策略 policy {s: {a: 0.25 for a in A} for s in S} while True: # 2. 策略评估 V calculate_value_function(lambda s: policy[s]) # 3. 策略改进 policy_stable True for s in S: old_action_probs policy[s].copy() # 对每个状态寻找最优动作 action_values {} for a in A: total 0 for s_next in S: prob transition_prob(s, a, s_next) r reward_func(s, a, s_next) total prob * (r gamma * V[s_next]) action_values[a] total # 选择价值最高的动作 best_action max(action_values, keyaction_values.get) policy[s] {a: 1.0 if a best_action else 0.0 for a in A} if old_action_probs ! policy[s]: policy_stable False if policy_stable: return policy, V运行策略迭代并可视化最优策略optimal_policy, optimal_v policy_iteration() # 可视化最优策略 grid_policy np.full((5,5), ) for (x,y) in optimal_policy: if env.grid[x,y] 3: # 终点 grid_policy[x,y] G else: best_a max(optimal_policy[(x,y)], keyoptimal_policy[(x,y)].get) grid_policy[x,y] best_a[0].upper() # 取动作首字母 plt.imshow(grid_v, cmapviridis) plt.colorbar(labelState Value) for (x,y) in optimal_policy: plt.text(y, x, grid_policy[x,y], hacenter, vacenter, fontsize12) plt.title(最优策略(字母表示动作方向)) plt.axis(off) plt.show()最终我们得到了每个状态下的最优动作一条从起点到终点的最优路径比随机策略高得多的状态价值6. 从游戏到通用MDP框架通过这个迷宫游戏示例我们直观地理解了MDP的核心组件游戏概念MDP数学概念代码实现玩家位置状态scurrent_pos移动方向动作aactions列表移动规则转移概率P(s|s,a)transition_prob()得分机制奖励R(s,a,s)reward_func()策略选择策略π(a|s)random_policy()长期得分价值V(s)calculate_value_function()这种从具体到抽象的映射正是理解强化学习的关键。当您下次看到MDP公式时不妨回想这个迷宫游戏——那些看似复杂的数学符号不过是游戏规则的抽象表达。