Iteración de políticas y de valores

Reinforcement Learning con Gymnasium en Python

Fouad Trad

Machine Learning Engineer

Iteración de políticas

  • Proceso iterativo para encontrar la política óptima

Imagen que muestra el primer paso: inicializar la política.

Reinforcement Learning con Gymnasium en Python

Iteración de políticas

  • Proceso iterativo para encontrar la política óptima

Imagen que muestra dos pasos: inicializar y evaluar una política.

Reinforcement Learning con Gymnasium en Python

Iteración de políticas

  • Proceso iterativo para encontrar la política óptima

Imagen que muestra tres pasos: inicializar, evaluar y mejorar la política.

Reinforcement Learning con Gymnasium en Python

Iteración de políticas

  • Proceso iterativo para encontrar la política óptima

Imagen que muestra que el proceso de evaluar y mejorar la política es iterativo y se repite hasta que la política deja de cambiar.

Reinforcement Learning con Gymnasium en Python

Iteración de políticas

  • Proceso iterativo para encontrar la política óptima

Imagen que muestra el flujo de la iteración de políticas: iniciar una política, alternar entre evaluarla y mejorarla, y al final obtener la política óptima.

Reinforcement Learning con Gymnasium en Python

Mundo en rejilla

policy = {
    0:1, 1:2, 2:1, 
    3:1, 4:3, 5:1,
    6:2, 7:3
}

Imagen que muestra la política con flechas indicando el movimiento en cada estado.

Reinforcement Learning con Gymnasium en Python

Evaluación de la política

def policy_evaluation(policy):

    V = {state: compute_state_value(state, policy) for state in range(num_states)}

    return V
Reinforcement Learning con Gymnasium en Python

Mejora de la política

def policy_improvement(policy):

    improved_policy = {s: 0 for s in range(num_states-1)}

    Q = {(state, action): compute_q_value(state, action, policy)
      for state in range(num_states) for action in range(num_actions)}


    for state in range(num_states-1):
        max_action = max(range(num_actions), key=lambda action: Q[(state, action)])
        improved_policy[state] = max_action


    return improved_policy
Reinforcement Learning con Gymnasium en Python

Iteración de políticas

def policy_iteration():

    policy = {0:1, 1:2, 2:1, 3:1, 4:3, 5:1, 6:2, 7:3}

    while True:
        V = policy_evaluation(policy)
        improved_policy = policy_improvement(policy)


        if improved_policy == policy:
            break
        policy = improved_policy


    return policy, V
Reinforcement Learning con Gymnasium en Python

Política óptima

policy, V = policy_iteration()
print(policy, V)

{0: 2, 1: 2, 2: 1, 
 3: 1, 4: 2, 5: 1, 
 6: 2, 7: 2} 

{0: 7, 1: 8, 2: 9, 
 3: 7, 4: 9, 5: 10, 
 6: 8, 7: 10, 8: 0}

optimal.png

Reinforcement Learning con Gymnasium en Python

Iteración de valores

  • Combina evaluación y mejora de la política en un solo paso
    • Calcula la función de valor de estado óptima
    • Deriva la política a partir de ella

Imagen que muestra el primer paso: inicializar los valores de estado V en cero.

Reinforcement Learning con Gymnasium en Python

Iteración de valores

  • Combina evaluación y mejora de la política en un solo paso.
    • Calcula la función de valor de estado óptima
    • Deriva la política a partir de ella

Imagen que muestra un paso adicional: calcular valores Q usando la tabla V.

Reinforcement Learning con Gymnasium en Python

Iteración de valores

  • Combina evaluación y mejora de la política en un solo paso.
    • Calcula la función de valor de estado óptima
    • Deriva la política a partir de ella

Imagen que muestra un paso adicional: actualizar V eligiendo la mejor acción en cada estado.

Reinforcement Learning con Gymnasium en Python

Iteración de valores

  • Combina evaluación y mejora de la política en un solo paso.
    • Calcula la función de valor de estado óptima
    • Deriva la política a partir de ella

Imagen que muestra que el proceso de calcular Q usando V y actualizar V se repite hasta que V deje de cambiar.

Reinforcement Learning con Gymnasium en Python

Iteración de valores

  • Combina evaluación y mejora de la política en un solo paso.
    • Calcula la función de valor de estado óptima
    • Deriva la política a partir de ella

Imagen que muestra que, al terminar el proceso iterativo, obtenemos la política óptima y V.

Reinforcement Learning con Gymnasium en Python

Implementar value iteration

V = {state: 0 for state in range(num_states)}
policy = {state:0 for state in range(num_states-1)}
threshold = 0.001


while True:
    new_V = {state: 0 for state in range(num_states)}

    for state in range(num_states-1): 
        max_action, max_q_value = get_max_action_and_value(state, V)

        new_V[state] = max_q_value
        policy[state] = max_action


    if all(abs(new_V[state] - V[state]) < thresh for state in V):
        break
    V = new_V
Reinforcement Learning con Gymnasium en Python

Obtener acciones y valores óptimos

def get_max_action_and_value(state, V):
    Q_values = [compute_q_value(state, action, V) for action in range(num_actions)]

    max_action = max(range(num_actions), key=lambda a: Q_values[a])

    max_q_value = Q_values[max_action]

    return max_action, max_q_value
Reinforcement Learning con Gymnasium en Python

Calcular valores Q

def compute_q_value(state, action, V):
    if state == terminal_state:
        return None
    _, next_state, reward, _ = env.P[state][action][0]
    return reward + gamma * V[next_state]
Reinforcement Learning con Gymnasium en Python

Política óptima

print(policy, V)

{0: 2, 1: 2, 2: 1, 
 3: 1, 4: 2, 5: 1, 
 6: 2, 7: 2} 

{0: 7, 1: 8, 2: 9, 
 3: 7, 4: 9, 5: 10, 
 6: 8, 7: 10, 8: 0}

Imagen que muestra los valores de estado de la política óptima.

Reinforcement Learning con Gymnasium en Python

¡Vamos a practicar!

Reinforcement Learning con Gymnasium en Python

Preparing Video For Download...