Очікуваний SARSA

Reinforcement Learning з Gymnasium у Python

Fouad Trad

Machine Learning Engineer

Очікуваний SARSA

  • Метод TD
  • Безмодельний підхід
  • Оновлює Q-таблицю інакше, ніж SARSA та Q-learning

Схема кроків у очікуваному SARSA: ініціалізація Q-таблиці, вибір дії, отримання винагороди від середовища та оновлення таблиці. Аґент повторює цикл до збіжності після певної кількості епізодів.

Reinforcement Learning з Gymnasium у Python

Оновлення очікуваного SARSA

SARSA

Зображення з математичною формулою правила оновлення SARSA.

Q-learning

Зображення з математичною формулою правила оновлення Q-learning.

Очікуваний SARSA

Зображення з математичною формулою правила оновлення очікуваного SARSA.

Reinforcement Learning з Gymnasium у Python

Очікуване значення наступного стану

Зображення з математичною формулою правила оновлення очікуваного SARSA.

  • Враховує всі дії

Зображення з формулою очікуваного значення Q для наступного стану.

  • Випадкові дії → рівні ймовірності

Зображення з формулою очікуваного значення Q для наступного стану, коли дії обираються випадково з рівними ймовірностями.

Reinforcement Learning з Gymnasium у Python

Реалізація з 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

Зображення середовища Frozen Lake

Reinforcement Learning з Gymnasium у Python

Правило оновлення очікуваного 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)

Зображення з математичною формулою правила оновлення очікуваного SARSA.

Reinforcement Learning з Gymnasium у Python

Тренування

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 з Gymnasium у Python

Політика аґента

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}

Зображення політики, вивченої аґентом: яку дію виконувати в кожному стані.

Reinforcement Learning з Gymnasium у Python

Давайте потренуємось!

Reinforcement Learning з Gymnasium у Python

Preparing Video For Download...