Iterarea politicii și iterarea valorii

Reinforcement Learning cu Gymnasium în Python

Fouad Trad

Machine Learning Engineer

Iterarea politicii

  • Proces iterativ pentru găsirea politicii optime

Imagine care arată primul pas: inițializarea politicii.

Reinforcement Learning cu Gymnasium în Python

Iterarea politicii

  • Proces iterativ pentru găsirea politicii optime

Imagine care arată doi pași: inițializarea și evaluarea unei politici.

Reinforcement Learning cu Gymnasium în Python

Iterarea politicii

  • Proces iterativ pentru găsirea politicii optime

Imagine care arată cei trei pași: inițializarea, evaluarea și îmbunătățirea politicii.

Reinforcement Learning cu Gymnasium în Python

Iterarea politicii

  • Proces iterativ pentru găsirea politicii optime

Imagine care arată că procesul de evaluare și îmbunătățire a politicii este iterativ și se repetă până când politica nu mai variază.

Reinforcement Learning cu Gymnasium în Python

Iterarea politicii

  • Proces iterativ pentru găsirea politicii optime

Imagine care arată fluxul iterării politicii: inițializarea politicii, alternarea între evaluare și îmbunătățire, până la obținerea politicii optime.

Reinforcement Learning cu Gymnasium în Python

Lumea grilă

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

Imagine care arată politica cu săgeți pentru mișcarea din fiecare stare.

Reinforcement Learning cu Gymnasium în Python

Evaluarea politicii

def policy_evaluation(policy):

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

    return V
Reinforcement Learning cu Gymnasium în Python

Îmbunătățirea politicii

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 cu Gymnasium în Python

Iterarea politicii

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 cu Gymnasium în Python

Politica optimă

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 cu Gymnasium în Python

Iterarea valorii

  • Combină evaluarea și îmbunătățirea politicii într-un singur pas
    • Calculează funcția optimă de valoare a stărilor
    • Derivă politica din aceasta

Imagine care arată primul pas: inițializarea valorilor V cu zerouri.

Reinforcement Learning cu Gymnasium în Python

Iterarea valorii

  • Combină evaluarea și îmbunătățirea politicii într-un singur pas.
    • Calculează funcția optimă de valoare a stărilor
    • Derivă politica din aceasta

Imagine care arată un pas suplimentar de calcul al valorilor Q folosind tabelul V.

Reinforcement Learning cu Gymnasium în Python

Iterarea valorii

  • Combină evaluarea și îmbunătățirea politicii într-un singur pas.
    • Calculează funcția optimă de valoare a stărilor
    • Derivă politica din aceasta

Imagine care arată actualizarea V prin selectarea celei mai bune acțiuni în fiecare stare.

Reinforcement Learning cu Gymnasium în Python

Iterarea valorii

  • Combină evaluarea și îmbunătățirea politicii într-un singur pas.
    • Calculează funcția optimă de valoare a stărilor
    • Derivă politica din aceasta

Imagine care arată că procesul de calcul al valorilor Q și actualizarea V se repetă până când V nu mai variază.

Reinforcement Learning cu Gymnasium în Python

Iterarea valorii

  • Combină evaluarea și îmbunătățirea politicii într-un singur pas.
    • Calculează funcția optimă de valoare a stărilor
    • Derivă politica din aceasta

Imagine care arată că odată finalizat procesul iterativ, se obțin politica optimă și V.

Reinforcement Learning cu Gymnasium în Python

Implementarea iterării valorii

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 cu Gymnasium în Python

Obținerea acțiunilor și valorilor optime

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 cu Gymnasium în Python

Calculul valorilor 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 cu Gymnasium în Python

Politica optimă

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}

Imagine care arată valorile stărilor pentru politica optimă.

Reinforcement Learning cu Gymnasium în Python

Să exersăm!

Reinforcement Learning cu Gymnasium în Python

Preparing Video For Download...