强化学习matlab代码

这里给出一个简单的强化学习MATLAB代码示例，使用Q-learning算法解决一个简单的迷宫问题：

%% 迷宫问题
% 定义迷宫的结构
maze = [0 0 0 -1;
        0 -1 0 -1;
        0 0 0 0;
        0 -1 0 1];
% 0代表可以通过的路，-1代表墙，1代表终点

% 定义Q表
Q = zeros(size(maze));

% 定义参数
alpha = 0.8; % 学习率
gamma = 0.95; % 折扣因子
epsilon = 0.1; % ε-greedy策略中的ε

% 定义迭代次数
numIterations = 1000;

% 开始训练
for i = 1:numIterations
    % 定义起点
    currentState = [1 1];
    % 如果没有到达终点
    while maze(currentState(1), currentState(2)) ~= 1
        % 选择下一步的行动
        if rand() < epsilon
            % ε-greedy策略中的随机选择
            action = randi([1 4], 1, 1);
        else
            % 根据Q值选择最佳行动
            [~, action] = max(Q(currentState(1), currentState(2), :));
        end
        % 执行行动
        switch action
            case 1
                % 向上移动一格
                nextState = [currentState(1)-1 currentState(2)];
            case 2
                % 向下移动一格
                nextState = [currentState(1)+1 currentState(2)];
            case 3
                % 向左移动一格
                nextState = [currentState(1) currentState(2)-1];
            case 4
                % 向右移动一格
                nextState = [currentState(1) currentState(2)+1];
        end
        % 计算奖励
        reward = maze(nextState(1), nextState(2));
        % 更新Q值
        Q(currentState(1), currentState(2), action) = Q(currentState(1), currentState(2), action) + alpha * (reward + gamma * max(Q(nextState(1), nextState(2), :)) - Q(currentState(1), currentState(2), action));
        % 更新状态
        currentState = nextState;
    end
end

% 输出Q表
Q

这是一个简单的强化学习MATLAB代码，使用Q-learning算法解决了一个简单的迷宫问题。在实际应用中，需要根据具体问题选择合适的算法和参数，并进行适当的调优。