【说明：这是强化学习工具箱的第一个基本示例，体系了大量设计要素。】

生成env

env是强化学习的环境、world、动力学、边界，定义了操作空间。

env = rlPredefinedEnv("BasicGridWorld");
plot(env)

【说明：plot(env)打开env图片之后，不要关闭，否则在train环节一直报错误。Error using matlab.graphics.primitive.Patch/set Invalid or deleted object.目前还不清楚原因，在本次学习过程中耽误了3个小时】 

 地图说明如下：

（1）地图由5×5网格组成，边界不可逾越。红色圆点是agent，可有四个基本动作(North = 1, South = 2, East = 3, West = 4)；【说明：action】

（2）agent默认位置在[1,1]；【说明：initial state】

（3）agent到达蓝色方块，可得10分；【说明：reward】

（4）地图中包含了特殊的动作，当从[2,4]直接跳到[4,4]可以得到5分；【说明：action,reward】

（5）黑色网格视为障碍不可逾越；【说明：action】

（6）除（3）（4）两种状态外的其他动作均减1分；【说明：action,reward】

初始化

环境初始化，确保每次重置后都从同一位置开始；

env.ResetFcn = @()1;

随机数种子初始化

rng(0)

生成Q-Learning Agent

生成Q表

从env中提取Observation和Action

qTable = rlTable(getObservationInfo(env),getActionInfo(env));
qRepresentation = rlQValueRepresentation(qTable,getObservationInfo(env),getActionInfo(env));

设置学习率为1

qRepresentation.Options.LearnRate = 1;

设置ε-greedy系数为0.04；

agentOpts = rlQAgentOptions;
agentOpts.EpsilonGreedyExploration.Epsilon = .04;
qAgent = rlQAgent(qRepresentation,agentOpts);

训练Q-Learing Agent

生成train配置

trainOpts = rlTrainingOptions;

设置每个迭代步最多运行步为50

trainOpts.MaxStepsPerEpisode = 50;

设置最大迭代次数为200

trainOpts.MaxEpisodes= 200;

设置停止训练判据为平均奖励；

trainOpts.StopTrainingCriteria = "AverageReward";

设置停止训练平均奖励为11分

trainOpts.StopTrainingValue = 11;

设置停止训练判据为连续30次平均奖励不小于11分

trainOpts.ScoreAveragingWindowLength = 30;

开始训练

trainingStats = train(qAgent,env,trainOpts);

训练过程如下所示：

 

 训练结果展示

env.Model.Viewer.ShowTrace = true;
env.Model.Viewer.clearTrace;

仿真结果路径

sim(qAgent,env)

由浅色至深色的路径为最佳路径。注意根据特殊奖励策略，翻越了一次障碍，多得了5分。