强化学习入门：Gym实现CartPole随机智能体

前言

 最近想开一个关于强化学习专栏，因为DeepSeek-R1很火，但本人对于LLM连门都没入。因此，只是记录一些类似的读书笔记，内容不深，大多数只是一些概念的东西，数学公式也不会太多，还望读者多多指教。本次阅读书籍为：马克西姆的《深度强化学习实践》。
 限于篇幅原因，请读者首先看下历史文章：
 马尔科夫过程
 马尔科夫奖励过程
 马尔科夫奖励过程二
 RL框架Gym简介
 本篇继续介绍：openai的RL开源框架Gym。在介绍之前，先来玩一个经典游戏。

1、CartPole游戏介绍

 如下图所示：CartPole游戏就是平衡木游戏：游戏中，智能体需要控制左或者右动作来维持平衡，当然，这个环境的观察是4个浮点数，包含了木棒质点的x坐标、速度、与平台的角度以及角速度的信息。
 由于目前还没有学习到RL算法，因此，本文首先借助Gym实现一个随机智能体。

2、代码

import gymif __name__ == "__main__":env = gym.make("CartPole-v0")total_reward = 0.0total_steps = 0obs = env.reset()while True:action = env.action_space.sample()obs, reward, done, _ = env.step(action)total_reward += rewardtotal_steps += 1if done:breakprint("Episode done in %d steps, total reward %.2f" % (total_steps, total_reward))

 这个代码是一个随机的智能体，即没有任何的学习策略，每次都是随机选择向左或者向右移动。同时每次调用env.step会返回当前的观察、奖励以及游戏是否结束（木棍倒了）。之后在累加奖励和步长。如果游戏结束，则跳出循环。
 可以看出，这个智能体是没有任务策略，而且也没有用到观察、以及奖励作为反馈。如果你运行代码：大概得到以下结果：

 从上述结果可以看出：当执行到13步时候游戏结束，且最终返回的总奖励为13。当然这个结果很差，但这只是个随机智能体版本，后续会借助RL算法来不断优化性能，使其坚持的步骤更多。

总结

 本篇只是用gym实现了一个简单的CartPole智能体，无须担心，后面博客会介绍用其余RL算法来逐渐改进这个智能体。