DualFlow/models/uf-rl/rl_model/DQN/uf_train/dqn_trainer.py

import os
import time
from stable_baselines3 import DQN


class DQNTrainer:
    """
    DQN训练器封装类

    功能：
    - 创建训练模型
    - 训练智能体
    - 保存与加载模型
    - 在测试集环境上评估策略
    """

    def __init__(self, env, params, callback=None,PROJECT_ROOT=None):
        """
        初始化训练器

        参数：
            env: Gym环境实例（向量化环境）
            params: DQNParams超参数对象
            callback: 可选训练回调
        """
        self.env = env
        self.params = params
        self.callback = callback
        self.PROJECT_ROOT = PROJECT_ROOT
        self.log_dir = self._create_log_dir()  # 创建TensorBoard日志目录
        self.model = self._create_model()      # 创建DQN模型

    # ------------------- 私有方法 -------------------
    def _create_log_dir(self):
        """
        创建 TensorBoard 日志目录（固定在 PROJECT_ROOT/model_result/uf_dqn_tensorboard 下）
        """
        import os
        import time

        # 1️⃣ 时间戳，用于区分每次训练
        timestamp = time.strftime("%Y%m%d-%H%M%S")

        # 2️⃣ 将浮点参数转成整数便于命名
        lr_int = int(self.params.learning_rate * 1e4)
        gamma_int = int(self.params.gamma * 100)
        exp_int = int(self.params.exploration_fraction * 100)

        # 3️⃣ 构建日志目录名称
        log_name = (
            f"DQN_lr{lr_int}_buf{self.params.buffer_size}_bs{self.params.batch_size}"
            f"_gamma{gamma_int}_exp{exp_int}_{self.params.remark}_{timestamp}"
        )

        # 4️⃣ 固定日志存放位置：PROJECT_ROOT/model_result/uf_dqn_tensorboard
        # 假设在 run_dqn_train.py 中定义了 PROJECT_ROOT = "models/uf-rl"
        base_dir = os.path.join(self.PROJECT_ROOT, "model_result", "uf_dqn_tensorboard","anzhen48h")
        os.makedirs(base_dir, exist_ok=True)

        # 5️⃣ 完整日志目录路径
        log_dir = os.path.join(base_dir, log_name)
        os.makedirs(log_dir, exist_ok=True)

        return log_dir

    def _create_model(self):
        """
        创建Stable-Baselines3 DQN模型
        """
        model = DQN(
            policy="MlpPolicy",
            env=self.env,
            learning_rate=self.params.learning_rate,
            buffer_size=self.params.buffer_size,
            learning_starts=self.params.learning_starts,
            batch_size=self.params.batch_size,
            gamma=self.params.gamma,
            train_freq=self.params.train_freq,
            target_update_interval=self.params.target_update_interval,
            tau=self.params.tau,
            exploration_initial_eps=self.params.exploration_initial_eps,
            exploration_fraction=self.params.exploration_fraction,
            exploration_final_eps=self.params.exploration_final_eps,
            verbose=1,
            tensorboard_log=self.log_dir
        )
        return model

    # ------------------- 公共方法 -------------------
    def train(self, total_timesteps: int):
        """
        执行训练

        参数：
            total_timesteps: 总训练步数
        """
        if self.callback:
            self.model.learn(total_timesteps=total_timesteps, callback=self.callback)
        else:
            self.model.learn(total_timesteps=total_timesteps)

        print(f"✅ 模型训练完成！")
        print(f"📊 日志保存在：{self.log_dir}")
        print(f"💡 使用以下命令查看TensorBoard：")
        print(f"   tensorboard --logdir={self.log_dir}")

    def save(self, path=None):
        """
        保存模型

        参数：
            path: 可选路径，默认保存到日志目录下 dqn_model.zip
        """
        if path is None:
            path = os.path.join(self.log_dir, "dqn_model.zip")
        self.model.save(path)
        print(f"💾 模型已保存到：{path}")

    def load(self, path):
        """
        加载模型

        参数：
            path: 模型文件路径
        """
        self.model = DQN.load(path, env=self.env)
        print(f"📥 模型已从 {path} 加载")

    def evaluate(self, test_env, n_episodes=10, deterministic=True):
        """
        在测试环境上评估模型

        参数：
            test_env: 测试用Gym环境（非向量化）
            n_episodes: 测试episode数量
            deterministic: 是否使用确定性策略

        返回：
            list[dict]: 每个episode的统计信息，包括总奖励、步数、TMP序列等
        """
        results = []

        for ep in range(n_episodes):
            obs = test_env.reset()
            done = False
            total_reward = 0
            steps = 0
            tmp_after_ceb_list = []

            while not done:
                action, _ = self.model.predict(obs, deterministic=deterministic)
                obs, reward, done, info = test_env.step(action)

                total_reward += reward
                steps += 1

                # 可根据需要记录TMP、回收率等
                tmp_after_ceb_list.append(info.get("tmp_after_ceb", 0))

            ep_result = {
                "episode": ep,
                "total_reward": total_reward,
                "steps": steps,
                "tmp_after_ceb_sequence": tmp_after_ceb_list
            }
            results.append(ep_result)

        return results