Expected SARSA

Reinforcement Learning with Gymnasium in Python

Fouad Trad

Machine Learning Engineer

Expected SARSA

  • Metoda TD
  • Technika bez modelu
  • Aktualizuje Q-tabulku odlišně než SARSA a Q-learning

Diagram zobrazující kroky Expected SARSA: inicializace Q-tabulky, volba akce, získání odměny z prostředí a aktualizace tabulky. Agent opakuje smyčku do konvergence po určitém počtu epizod.

Reinforcement Learning with Gymnasium in Python

Aktualizace Expected SARSA

SARSA

Obrázek zobrazující matematický vzorec pravidla aktualizace SARSA.

Q-learning

Obrázek zobrazující matematický vzorec pravidla aktualizace Q-learningu.

Expected SARSA

Obrázek zobrazující matematický vzorec pravidla aktualizace Expected SARSA.

Reinforcement Learning with Gymnasium in Python

Očekávaná hodnota dalšího stavu

Obrázek zobrazující matematický vzorec pravidla aktualizace Expected SARSA.

  • Zohledňuje všechny akce

Obrázek zobrazující matematický vzorec pro očekávanou hodnotu Q pro další stav.

  • Náhodné akce → stejné pravděpodobnosti

Obrázek zobrazující matematický vzorec pro očekávanou hodnotu Q pro další stav při náhodném výběru akcí se stejnou pravděpodobností.

Reinforcement Learning with Gymnasium in Python

Implementace s Frozen Lake

env = gym.make('FrozenLake-v1', 
               is_slippery=False)

num_states = env.observation_space.n
num_actions = env.action_space.n
Q = np.zeros((num_states, num_actions))


gamma = 0.99
alpha = 0.1
num_episodes = 1000

Obrázek zobrazující prostředí Frozen Lake.

Reinforcement Learning with Gymnasium in Python

Pravidlo aktualizace Expected SARSA

def update_q_table(state, action, next_state, reward):

    expected_q = np.mean(Q[next_state])

    Q[state, action] = (1-alpha) * Q[state, action] 
                       + alpha * (reward + gamma * expected_q)

Obrázek zobrazující matematický vzorec pravidla aktualizace Expected SARSA.

Reinforcement Learning with Gymnasium in Python

Trénování

for i in range(num_episodes):
    state, info = env.reset()    
    terminated = False  

    while not terminated: 
        action = env.action_space.sample()

        next_state, reward, terminated, truncated, info = env.step(action)

        update_q_table(state, action, next_state, reward)
        state = next_state
Reinforcement Learning with Gymnasium in Python

Politika agenta

policy = {state: np.argmax(Q[state]) 
          for state in range(num_states)}
print(policy)

{ 0: 1,  1: 2,  2: 1,  3: 0, 
  4: 1,  5: 0,  6: 1,  7: 0, 
  8: 2,  9: 2, 10: 1, 11: 0, 
 12: 0, 13: 2, 14: 2, 15: 0}

Obrázek zobrazující naučenou politiku agenta – jakou akci provést v každém stavu.

Reinforcement Learning with Gymnasium in Python

Pojďme si procvičit!

Reinforcement Learning with Gymnasium in Python

Preparing Video For Download...