ປັບປຸງພຶດຕິກຳຂອງ agent
SARSA, Q-learning ແລະ Double Q-learning.
ເພື່ອປັບປຸງ policy ໂດຍບໍ່ຮູ້ MDP ຕ້ອງຮຽນ Q(s,a) ແທນ V (ເພາະປຽບທຽບ action ໄດ້ໂດຍກົງ) ແລະ ຕ້ອງສຳຫຼວດໄປພ້ອມ. ທຸກວິທີເຮັດຕາມແບບ GPI: ປະເມີນ Q → ເລືອກ action ທີ່ດີຂຶ້ນ → ວົນຊ້ຳ.
Q-learning ໃນໂຄດຮຽນຈາກການລອງຫຼິ້ນລ້ວນໆ ແຕ່ໄດ້ policy ດຽວກັບ value iteration ໃນບົດ 3 ທີ່ຕ້ອງຮູ້ MDP ທັງໝົດ.
SARSA (on-policy): Q(s,a) ← Q(s,a) + α [ r + γ·Q(s',a') − Q(s,a) ]
Q-learning (off-policy): Q(s,a) ← Q(s,a) + α [ r + γ·maxₐ' Q(s',a') − Q(s,a) ]
- On-policy (SARSA): ຮຽນຄ່າຂອງ policy ທີ່ໃຊ້ຫຼິ້ນຢູ່ ລວມທັງການສຸ່ມສຳຫຼວດ
- Off-policy (Q-learning): ຫຼິ້ນດ້ວຍ policy ໜຶ່ງ ແຕ່ຮຽນຄ່າຂອງ policy ທີ່ດີທີ່ສຸດ
- Double Q-learning: ໃຊ້ Q 2 ຊຸດ ເພື່ອແກ້ບັນຫາການປະເມີນຄ່າສູງເກີນຈາກການໃຊ້ max
- GLIE: ຕ້ອງສຳຫຼວດທຸກທາງບໍ່ສິ້ນສຸດ ແຕ່ຄ່ອຍໆກາຍເປັນ greedy
ສິ່ງທີ່ຄວນຈື່
- Prediction = ປະເມີນ policy, Control = ຊອກ policy ທີ່ດີທີ່ສຸດ
- Double learning ຈະກັບມາໃຊ້ໃນ Double DQN ແລະ TD3
import numpy as np
import gymnasium as gym
env = gym.make("FrozenLake-v1", is_slippery=True)
n_s, n_a = env.observation_space.n, env.action_space.n
Q = np.zeros((n_s, n_a))
rng = np.random.default_rng(0)
gamma, alpha = 0.99, 0.1
n_episodes = 20000
for ep in range(n_episodes):
eps = max(0.01, 1.0 - ep / (0.8 * n_episodes)) # epsilon ຫຼຸດລົງເລື້ອຍໆ
s, _ = env.reset(seed=ep)
done = False
while not done:
a = rng.integers(n_a) if rng.random() < eps else int(np.argmax(Q[s]))
s2, r, term, trunc, _ = env.step(a)
target = r + gamma * Q[s2].max() * (not term) # off-policy: ໃຊ້ max
Q[s, a] += alpha * (target - Q[s, a])
s, done = s2, term or trunc
pi = Q.argmax(axis=1)
wins = 0
for ep in range(1000):
s, _ = env.reset(seed=100000 + ep)
done = False
while not done:
s, r, term, trunc, _ = env.step(pi[s])
done = term or trunc
wins += r
print("π =", "".join("←↓→↑"[a] for a in pi))
print(f"ອັດຕາສຳເລັດ: {wins / 10:.1f}%")
ຜົນລັບ
π = ←↑↑↑←←←←↑↓←←←→↓← ອັດຕາສຳເລັດ: 73.4%
- #DeepRL
- #ReinforcementLearning
- #PythonສຳລັບຄົນLaos
- #AI
- #ບອກຕໍ່ຄວາມຮູ້