强化学习：使用自动控制方法PID来解决强化学习问题中的cartpole问题（小车平衡杆问题）
网上找到的一个实现：地址：
https://gist.github.com/HenryJia/23db12d61546054aa43f8dc587d9dc2c
稍微修改后的代码：
import numpy as npimport gymdef sigmoid(x): return 1.0 / (1.0 + np.exp(-x))env = gym.make('CartPole-v1')desired_state = np.array()desired_mask = np.array()P, I, D = 0.1, 0.01, 0.5###N_episodes = 10N_steps = 50000for i_episode in range(N_episodes): state, _ = env.reset() integral = 0 derivative = 0 prev_error = 0 for t in range(N_steps): # print(f"step: {t}") env.render() error = state - desired_state integral += error derivative = error - prev_error prev_error = error pid = np.dot(P * error + I * integral + D * derivative, desired_mask) action = sigmoid(pid) action = np.round(action).astype(np.int32) # print(P * error + I * integral + D * derivative, pid, action) # print(state, action, ) state, reward, done, info, _ = env.step(action) if done or t==N_steps-1: print("Episode finished after {} timesteps".format(t+1)) breakenv.close()
运行效果：
这个表现是极为神奇的，如果不考虑泛化性的话，不考虑使用AI算法和机器学习算法的话，那么不使用强化学习和遗传算法以外的算法，那么使用自动化的算法或许也是不错的选择，并且从这个表现来看这个效果远比使用AI类的算法表现好。
上面的这个代码只考虑小车平衡杆的角度与0的偏差，就可以获得如此高的表现。
根据原地址的讨论：
https://gist.github.com/HenryJia/23db12d61546054aa43f8dc587d9dc2c
我们可以知道，如果通过调整PID算法的系数，那么可以获得更为优秀的性能表现，为此我们修改代码如下：
点击查看代码import numpy as npimport gymdef sigmoid(x): return 1.0 / (1.0 + np.exp(-x))env = gym.make('CartPole-v1')desired_state = np.array()# desired_mask = np.array()desired_mask = np.array()# P, I, D = 0.1, 0.01, 0.5###P, I, D = , , N_episodes = 10N_steps = 1000000for i_episode in range(N_episodes): state, _ = env.reset() integral = 0 derivative = 0 prev_error = 0 for t in range(N_steps): # print(f"step: {t}") env.render() error = state - desired_state integral += error derivative = error - prev_error prev_error = error pid = np.dot(P * error + I * integral + D * derivative, desired_mask) action = sigmoid(pid) action = np.round(action).astype(np.int32) # print(P * error + I * integral + D * derivative, pid, action) # print(state, action, ) state, reward, done, info, _ = env.step(action) if done or t==N_steps-1: print("Episode finished after {} timesteps".format(t+1)) breakenv.close()性能表现：
根据这个PID的系数来运行gym下的cartpole游戏，可以认为这个游泳永远不会终止，因为这里我们已经将运行长度设置为100万步。
PS：
需要注意的是PID算法的这个P,I,D系数才是影响算法的关键，而如何获得这个系数也是一个极为难的问题，很多时候是需要使用试错的方法来进行的，可以说有的P,I,D系数可以运行几十步，有的可以运行几百步或几千步，而下面的系数却可以运行上百万步，甚至是永远一直运行，可以说这种PID系数的求解才是真正的关键。
P, I, D = , ,
附：
另一个实现：
https://ethanr2000.medium.com/using-pid-to-cheat-an-openai-challenge-f17745226449
代码实现：
import gymfrom matplotlib import pyplot as pltenv = gym.make("CartPole-v1")observation, _ = env.reset()Kp = 135Ki = 96.5Kd = 47.5force = 0integral = 0for step in range(10000000):print("step: ", step)env.render()observation, reward, done, info, _ = env.step(force)velocity = observationangle = observationangular_velocity = observationintegral = integral + angleF = Kp*(angle) + Kd*(angular_velocity) + Ki*(integral)force = 1 if F > 0 else 0if done: observation, _ = env.reset() integral = 0env.close()
运行结果：
页:
[1]