Double Q-learning

Обучение с подкреплением с Gymnasium на Python

Fouad Trad

Machine Learning Engineer

Q-обучение

  • Оценивает оптимальную функцию ценности действий
  • Переоценивает Q-значения, обновляясь по максимуму Q
  • Может приводить к неоптимальному обучению политики

 

Изображение математической формулы правила обновления Q-обучения.

Обучение с подкреплением с Gymnasium на Python

Double Q-learning

  • Поддерживает две Q-таблицы
  • Каждая таблица обновляется на основе другой
  • Снижает риск переоценки Q-значений

Изображение двух Q-таблиц, Q0 и Q1, каждая из которых обновляется на основе другой.

Обучение с подкреплением с Gymnasium на Python

Обновления в Double Q-learning

  • Случайный выбор таблицы

Изображение двух Q-таблиц, Q0 и Q1, каждая из которых обновляется на основе другой.

Обучение с подкреплением с Gymnasium на Python

Обновление Q0

Изображение двух Q-таблиц, Q0 и Q1, каждая из которых обновляется на основе другой.

Изображение поиска наилучшего следующего действия при обновлении Q0.

Изображение правила обновления Q0.

Обучение с подкреплением с Gymnasium на Python

Обновление Q1

Изображение двух Q-таблиц, Q0 и Q1, каждая из которых обновляется на основе другой.

Изображение поиска наилучшего следующего действия при обновлении Q1.

Изображение правила обновления Q1.

Обучение с подкреплением с Gymnasium на Python

Double Q-learning

Изображение двух Q-таблиц, Q1 и Q2, каждая из которых обновляется на основе другой.

  • Снижает смещение из-за переоценки
  • Поочерёдно обновляет Q0 и Q1
  • Обе таблицы участвуют в процессе обучения
Обучение с подкреплением с Gymnasium на Python

Реализация на Frozen Lake

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

num_states = env.observation_space.n
n_actions = env.action_space.n
Q = [np.zeros((num_states, n_actions))] * 2


num_episodes = 1000
alpha = 0.5
gamma = 0.99

Изображение агента, перемещающегося в среде Frozen Lake.

Обучение с подкреплением с Gymnasium на Python

Реализация update_q_tables()

def update_q_tables(state, action, reward, next_state):
    # Select a random Q-table index (0 or 1)
    i = np.random.randint(2)

    # Update the corresponding Q-table
    best_next_action = np.argmax(Q[i][next_state])

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

Изображение правила обновления Q1.

Изображение правила обновления Q2.

Обучение с подкреплением с Gymnasium на Python

Обучение

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

    while not terminated:
        action = np.random.choice(n_actions)  
        next_state, reward, terminated, truncated,  info = env.step(action)
        update_q_tables(state, action, reward, next_state)
        state = next_state


final_Q = (Q[0] + Q[1])/2
# OR
final_Q = Q[0] + Q[1]
Обучение с подкреплением с Gymnasium на Python

Политика агента

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

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

Изображение политики, усвоенной агентом: какое действие выполнять в каждом состоянии.

Обучение с подкреплением с Gymnasium на Python

Давайте потренируемся!

Обучение с подкреплением с Gymnasium на Python

Preparing Video For Download...