Ожидаемый SARSA

Обучение с подкреплением с Gymnasium на Python

Fouad Trad

Machine Learning Engineer

Ожидаемый SARSA

  • TD-метод
  • Модельно-независимый подход
  • Обновляет Q-таблицу иначе, чем SARSA и Q-обучение

Диаграмма, показывающая шаги ожидаемого SARSA: инициализация Q-таблицы, выбор действия, получение награды от среды и обновление таблицы. Агент повторяет этот цикл до сходимости за заданное число эпизодов.

Обучение с подкреплением с Gymnasium на Python

Правило обновления ожидаемого SARSA

SARSA

Изображение с математической формулой правила обновления SARSA.

Q-обучение

Изображение с математической формулой правила обновления Q-обучения.

Ожидаемый SARSA

Изображение с математической формулой правила обновления ожидаемого SARSA.

Обучение с подкреплением с Gymnasium на Python

Ожидаемое значение следующего состояния

Изображение с математической формулой правила обновления ожидаемого SARSA.

  • Учитывает все действия

Изображение с математической формулой ожидаемого Q-значения для следующего состояния.

  • Случайные действия → равные вероятности

Изображение с математической формулой ожидаемого Q-значения для следующего состояния при равновероятном случайном выборе действий.

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


gamma = 0.99
alpha = 0.1
num_episodes = 1000

Изображение среды Frozen Lake

Обучение с подкреплением с Gymnasium на Python

Правило обновления ожидаемого 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)

Изображение с математической формулой правила обновления ожидаемого SARSA.

Обучение с подкреплением с Gymnasium на Python

Обучение

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
Обучение с подкреплением с Gymnasium на Python

Политика агента

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}

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...