这个例子演示了如何在watertank
金宝appSimulink®模型的一个强化学习深度确定性策略梯度(DDPG) agent。在MATLAB®中训练DDPG代理的示例,请参见培训DDPG Agent控制双积分系统.
本例的原始模型是水箱模型。目标是控制水箱中的水的水平。有关水箱型号的更多信息,请参见watertank仿金宝app真软件模型(金宝app仿真软件控制设计).
修改原型号,修改如下:
删除PID控制器。
插入RL Agent块。
连接观测向量 ,在那里 是水箱的高度, , 为参考高度。
设置奖励 .
配置终止信号,使模拟停止如果 或 .
得到的模型是rlwatertank.slx
.有关此模型和更改的更多信息,请参见创建Simul金宝appink强化学习环境.
open_system (“rlwatertank”)
创建环境模型包括定义以下内容:
动作和观察信号是主体与环境交互的信号。有关更多信息,请参见rlNumericSpec
和rlFiniteSetSpec
.
奖励信号是代理用来衡量其成功的信号。有关更多信息,请参见定义奖励信号.
定义观察规范obsInfo
和行为规范actInfo
.
obsInfo = rlNumericSpec([3 1],...“LowerLimit”,[-inf -inf 0]',...“UpperLimit”,[inf inf inf]');obsInfo。Name =“观察”;obsInfo。描述=“综合误差、误差和测量高度”;numObservations = obsInfo.Dimension (1);actInfo = rlNumericSpec([1 1]);actInfo。Name =“流”;numActions = actInfo.Dimension (1);
构建环境接口对象。
env = rl金宝appSimulinkEnv (“rlwatertank”,“rlwatertank / RL代理”,...obsInfo actInfo);
设置一个自定义重置函数,随机化模型的参考值。
env。ResetFcn = @(在)localResetFcn(的);
指定模拟时间特遣部队
以及样本时间Ts
在几秒钟内。
t = 1.0;Tf = 200;
修复随机生成器种子的再现性。
rng (0)
给定观察和行动,DDPG代理使用批判价值函数表示近似长期奖励。要创建批评家,首先要创建一个深度神经网络,它有两个输入,一个是观察和行动,一个是输出。有关创建深度神经网络值函数表示的更多信息,请参见创建策略和价值功能表示.
statePath = [featureInputLayer(numObservations,“归一化”,“没有”,“名字”,“状态”) fullyConnectedLayer (50,“名字”,“CriticStateFC1”) reluLayer (“名字”,“CriticRelu1”) fullyConnectedLayer (25,“名字”,“CriticStateFC2”));actionPath = [featureInputLayer(numActions,“归一化”,“没有”,“名字”,“行动”) fullyConnectedLayer (25,“名字”,“CriticActionFC1”));commonPath =[附加路径]“名字”,“添加”) reluLayer (“名字”,“CriticCommonRelu”) fullyConnectedLayer (1,“名字”,“CriticOutput”));criticNetwork = layerGraph ();criticNetwork = addLayers (criticNetwork statePath);criticNetwork = addLayers (criticNetwork actionPath);criticNetwork = addLayers (criticNetwork commonPath);criticNetwork = connectLayers (criticNetwork,“CriticStateFC2”,“添加/三机一体”);criticNetwork = connectLayers (criticNetwork,“CriticActionFC1”,“添加/ in2”);
查看critical网络配置。
图绘制(criticNetwork)
为使用的批评家表示指定选项rlRepresentationOptions
.
criticOpts = rlRepresentationOptions (“LearnRate”1 e 03“GradientThreshold”1);
使用指定的深度神经网络和选项创建批评家表示。您还必须为评论家指定操作和观察规范,这是从环境接口获得的。有关更多信息,请参见rlQValueRepresentation
.
评论家= rlQValueRepresentation (criticNetwork obsInfo actInfo,“观察”, {“状态”},“行动”, {“行动”}, criticOpts);
根据观察结果,DDPG代理使用参与者表示来决定采取什么行动。要创建参与者,首先创建一个深度神经网络,有一个输入,一个观察,和一个输出,一个动作。
以与评论家相似的方式构造行动者。有关更多信息,请参见rlDeterministicActorRepresentation
.
actorNetwork = [featureInputLayer(numobobservations,“归一化”,“没有”,“名字”,“状态”) fullyConnectedLayer (3“名字”,“actorFC”) tanhLayer (“名字”,“actorTanh”) fullyConnectedLayer (numActions“名字”,“行动”));actorOptions = rlRepresentationOptions (“LearnRate”1 e-04“GradientThreshold”1);演员= rlDeterministicActorRepresentation (actorNetwork obsInfo actInfo,“观察”, {“状态”},“行动”, {“行动”}, actorOptions);
要创建DDPG代理,首先使用rlDDPGAgentOptions
.
agentOpts = rlDDPGAgentOptions (...“SampleTime”Ts,...“TargetSmoothFactor”1 e - 3,...“DiscountFactor”, 1.0,...“MiniBatchSize”, 64,...“ExperienceBufferLength”1 e6);agentOpts.NoiseOptions.Variance = 0.3;agentOpts.NoiseOptions.VarianceDecayRate = 1 e-5;
然后,使用指定的参与者表示、评论家表示和代理选项创建DDPG代理。有关更多信息,请参见rlDDPGAgent
.
代理= rlDDPGAgent(演员、评论家、agentOpts);
要培训代理,首先指定培训选项。对于本例,使用以下选项:
每次训练最多跑一次5000
集。指定每一集最多持续时间装天花板(Tf / Ts)
(即200
)时间的步骤。
在“插曲管理器”对话框中显示培训进度(设置情节
选项),并禁用命令行显示(设置详细的
选项假
).
停止训练时,代理收到的平均累积奖励大于800
在20.
连续集。此时,药剂可以控制水箱内的水位。
有关更多信息,请参见rlTrainingOptions
.
maxepisodes = 5000;maxsteps =装天花板(Tf / Ts);trainOpts = rlTrainingOptions (...“MaxEpisodes”maxepisodes,...“MaxStepsPerEpisode”maxsteps,...“ScoreAveragingWindowLength”, 20岁,...“详细”假的,...“阴谋”,“训练进步”,...“StopTrainingCriteria”,“AverageReward”,...“StopTrainingValue”, 800);
训练代理人使用火车
函数。培训是一个计算密集型的过程,需要几分钟才能完成。为了节省运行此示例的时间,请通过设置加载预先训练过的代理doTraining
来假
.自己训练代理人,设置doTraining
来真正的
.
doTraining = false;如果doTraining培训代理商。trainingStats =火车(代理,env, trainOpts);其他的%加载示例的预训练代理。负载(“WaterTankDDPG.mat”,“代理”)结束
通过仿真验证了该模型的有效性。
simOpts = rlSimulationOptions (“MaxSteps”maxsteps,“StopOnError”,“上”);经验= sim (env,代理,simOpts);
函数= localResetFcn(中)%随机化参考信号黑色= sprintf (“rlwatertank /期望\ nWater级别”);H = 3*randn + 10;而H <= 0 || >= 20 H = 3*randn + 10;结束在= setBlockParameter(黑色,“价值”num2str (h));%随机化初始高度H = 3*randn + 10;而H <= 0 || >= 20 H = 3*randn + 10;结束黑色=“rlwatertank /水箱系统/ H”;在= setBlockParameter(黑色,“InitialCondition”num2str (h));结束