前不久，百度发布了基于PaddlePaddle的深度强化学习框架PARL。git传送门

　　作为一个强化学习小白，本人怀着学习的心态，安装并运行了PARL里的quick-start。不体验不知道，一体验吓一跳，不愧是 NeurIPS 2018 冠军团队的杰作，代码可读性良好，函数功能非常清晰，模块之间耦合度低、内聚性强。不仅仅适合零基础的小白快速搭建DRL环境，也十分适合科研人员复现论文结果。

　　废话不多说，我们从强化学习最经典的例子——迷宫寻宝(俗称格子世界GridWorld)开始，用策略梯度(Policy-Gradient)算法体验一把PARL。

　　模拟环境

　　强化学习适合解决智能决策问题 。如图，给定如下迷宫，黑色方格代表墙，黄色代表宝藏，红色代表机器人;一开始，机器人处于任意一个位置，由于走一步要耗电，撞墙后需要修理，所以我们需要训练一个模型，来告诉机器人如何避免撞墙、并给出寻宝的最优路径。

　　接下来，定义强化学习环境所需的各种要素：状态state、动作action、奖励reward等等。

　　state就是机器人所处的位置，用(行、列)这个元组来表示，同时可以表示墙：