التعلم المعزز · Reinforcement Learning
وكيل Q-Learning على Grid World
Q-Learning Agent on Grid World
إنشاء بيئة شبكية بعوائق وتدريب rlQAgent ومحاكاته.
GW = createGridWorld(5, 5);
GW.CurrentState = "[1,1]";
GW.TerminalStates = "[5,5]";
GW.ObstacleStates = ["[3,3]"; "[3,4]"; "[4,3]"];
updateStateTranstionForObstacles(GW);
nS = numel(GW.States); nA = numel(GW.Actions);
GW.R = -1 * ones(nS, nS, nA);
GW.R(:, state2idx(GW, GW.TerminalStates), :) = 10;
env = rlMDPEnv(GW);
obsInfo = getObservationInfo(env); actInfo = getActionInfo(env);
critic = rlQValueFunction(rlTable(obsInfo, actInfo), obsInfo, actInfo);
agent = rlQAgent(critic);
stats = train(agent, env, rlTrainingOptions('MaxEpisodes', 300, 'MaxStepsPerEpisode', 50));
plot(env); sim(env, agent);شرح الخطوات
- createGridWorld تنشئ شبكة بأربعة أفعال.
- updateStateTranstionForObstacles بهذا الإملاء في التوثيق الرسمي.
- rlQValueFunction من R2022a.
المخرجات المتوقعة
نافذة تقدم التدريب بمكافأة كل حلقة، ثم رسم الشبكة ومسار الوكيل نحو الهدف.
لم يُشغّل في بيئة إعداد المكتبة لأنه يحتاج: Reinforcement Learning Toolbox. المخرجات أدناه وصف لما يجب أن تراه، لا أرقام فعلية.
